เหตุใดนักพัฒนาซอฟต์แวร์จึงมีความสำคัญต่อการพัฒนาคอมพิวเตอร์ควอนตัม

RPA

คอมพิวเตอร์ควอนตัมอาจเป็นหัวข้อของการวิจัยมากกว่า 40 ปี แต่นักพัฒนาซอฟต์แวร์จำนวนมากยังคงพิจารณาว่าเป็นเทคโนโลยีที่คลุมเครือซึ่ง “จะเปลี่ยนโลกในวันหนึ่งใน 10 หรือ 20 ปี” เหตุการณ์สำคัญในการคำนวณควอนตัมใหม่มักจะรู้สึกว่านักพัฒนาเหล่านั้นห่างไกลจากแอปพลิเคชันขนาดใหญ่จริง ๆ หรือถ้ามันมีประโยชน์อยู่แล้ว มันอาจจะเป็นสิ่งที่ต้องใช้ความรู้และประสบการณ์ทางฟิสิกส์มากมายในการทำสิ่งใดๆ แต่นั่นไม่ใช่กรณีทั้งหมด

ระบบจัดการภายใน

หากคุณเปิดบล็อก Qiskit หรือ IBM Quantum Experience หรือแพลตฟอร์มอื่นใดที่แสดงสิ่งที่เป็นไปได้ในปัจจุบัน สิ่งต่างๆ อาจออกมาดีกว่าที่นักพัฒนาคิดไว้มาก มีเครื่องจำลองมากมาย รวมทั้งเครื่องควอนตัมจริงที่คุณสามารถเข้าถึงได้ด้วยรหัสของคุณวันนี้ ด้วยเครื่องมือที่ใช้งานง่าย แน่นอนว่าฮาร์ดแวร์ยังมีหนทางอีกยาวไกล อุปกรณ์ที่คุณสามารถตั้งโปรแกรมได้ไม่เกินสองสาม qubits ในขณะที่ระบบที่ทันสมัยที่สุดมีลำดับที่ 100 qubits จริง และแม้แต่อุปกรณ์เหล่านี้ก็ยังไม่สามารถใช้งานวงจรควอนตัมแบบยาวเต็มรูปแบบได้ แต่ซอฟต์แวร์ก็มีบทบาทสำคัญไม่แพ้กันต่อความก้าวหน้าในด้านนี้ และในความคิดของฉัน ถึงเวลาแล้วที่นักพัฒนาซอฟต์แวร์จะเริ่มต้นในสาขานี้
คุณไม่จำเป็นต้องมีปริญญาเอกในสาขาฟิสิกส์ควอนตัมหรือคอมพิวเตอร์เพื่อทำความเข้าใจสาขานี้ (แม้ว่าคุณจะจบปริญญาเอกแล้ว แต่ก็สามารถเข้าร่วมได้แน่นอน!) ยกตัวอย่างเช่น ปริมาณควอนตัม เมตริกนี้อธิบายว่าโปรเซสเซอร์ควอนตัมมีความสามารถเพียงใด ซึ่งรวมถึงสิ่งต่างๆ เช่น เวลาการสลายตัวของ qubit ข้อผิดพลาดเกตเดียวและหลาย qubit ข้อผิดพลาดในการวัด การสนทนาข้าม และเมตริกอื่นๆ เป็นตัวเลขง่ายๆ ตามหลักการแล้ว ปริมาตรควอนตัม 2^n หมายความว่าเป็นไปได้ที่จะเรียกใช้วงจร n qubits ที่มี n ชั้นของเกทได้อย่างน่าเชื่อถือ ( หมายเหตุบรรณาธิการ: คุณสามารถอ่านได้ว่าทำไมเราจึงเพิ่มสองยกกำลัง n ที่นี่). ยิ่งปริมาณควอนตัมสูงเท่าใด โปรเซสเซอร์ก็จะยิ่งมีความน่าเชื่อถือมากขึ้นเท่านั้น ตอนนี้สำหรับส่วนที่ดี คุณรู้ QV สูงสุดของไอบีเอ็มในขณะที่เขียนนี้เป็น 128 หรือไม่ว่าล่าสุดสองก้าวหน้าผลักดัน QV เพิ่มเติมเกี่ยวกับโปรเซสเซอร์ IBM ก็ประสบความสำเร็จด้วยความช่วยเหลือของการปรับปรุงซอฟแวร์ ? ใช่ ฮาร์ดแวร์ตัวเดียวกัน โปรเซสเซอร์ควอนตัมชื่อ Montreal เปลี่ยนจาก QV ที่ 32 เป็น 64 และ 128 ผ่านการอัปเดตคอมไพเลอร์และการควบคุมกระบวนการ ประเด็นก็คือ โค้ดที่ดีสามารถส่งผลให้มีความเที่ยงตรงสูงขึ้นซึ่งสามารถบีบออกจากชิปตัวเดียวกันได้ ซอฟต์แวร์ที่เป็นของแข็งสามารถเป็นปัจจัยที่ทำให้ชิปควอนตัม OK ให้ผลลัพธ์ที่เหลือเชื่อได้ นักออกแบบฮาร์ดแวร์มีงานและความก้าวหน้ามากมายรออยู่ข้างหน้า (และคุณสามารถมีส่วนร่วมผ่านQiskit Metal) แต่วิศวกรซอฟต์แวร์สามารถสร้างสรรค์และมั่นใจได้ว่าโค้ดของพวกเขาจะได้รับประโยชน์สูงสุดจากฮาร์ดแวร์ของเรา บ่นว่าชิปไม่ดีพอก็ไม่ตัด
แม้จะไม่ได้ทำความเข้าใจการคอมไพล์ควอนตัมอย่างลึกซึ้งเกินไป ลองมาดูตัวอย่างง่ายๆ งานของคุณขึ้นอยู่กับปัญหาการค้นหา และคุณใช้อัลกอริทึมของ Grover เพื่อแก้ปัญหา
(หากตัวอย่างนี้ไม่ฟังดูหรือดูเหมือนง่ายเลย โปรดอย่ากังวล ฉันต้องการเลือกปัญหาจริงพอที่จะเป็นส่วนหนึ่งของวิธีแก้ปัญหาในทางปฏิบัติ ในขณะที่ไม่ซับซ้อนไปกว่าการข้ามขั้นตอนวิธีควอนตัมแบบคลาสสิกบางตัว ที่กล่าวว่าเราทุกคนเริ่มต้นบางครั้งและเป็นเรื่องดีที่มีคุณในชุมชนของเราตำรา Qiskitเป็นสถานที่ที่ยอดเยี่ยมในการเรียนรู้เพิ่มเติมเกี่ยวกับแนวคิดทั้งหมดที่ฉันพูดถึงที่นี่รวมถึงอัลกอริธึม Grover เองเช่นเดียวกับความซับซ้อนของวงจร และคุณควรจะสามารถเข้าใจข้อความด้านล่างนี้ได้แม้จะไม่ได้ลงลึกถึงรายละเอียดของสิ่งที่วงจรกำลังทำอยู่ก็ตาม!)
อัลกอริทึมของ Grover ใน Code
หมายเหตุบรรณาธิการ: โค้ดของ Kuba ใช้อัลกอริทึมของ Grover ที่มีชื่อเสียง ซึ่งใช้คอมพิวเตอร์ควอนตัมเพื่อค้นหาองค์ประกอบในรายการองค์ประกอบโดยใช้เทคนิคที่เรียกว่าแอมพลิจูด วันหนึ่งในอนาคต อัลกอริธึมของ Grover อาจเพิ่มความเร็วควอนตัมเหนือการค้นหาแบบคลาสสิก
การสร้างและทดสอบวงจร
ดังนั้นเราจึงเขียนโค้ดตามด้านบน จากนั้นเราสร้างวงจรเพื่อค้นหาองค์ประกอบเฉพาะ “101” เราพิมพ์และดูความสวยงาม ดีสะอาดและลัดวงจร
ดังที่เราเห็นในรูปแบบที่ง่ายที่สุดวงจร transpiled ของเรานั้นไม่ง่ายเลย Qiskit ต้องแปลงรหัสเป็นชุดพื้นฐานของการทำงานที่ฮาร์ดแวร์สามารถอ่านได้จริง จำเป็นต้องแยกวงจรเกตแต่ละวงจรของเราออกเป็นเกทพื้นฐานเหล่านั้น ซึ่งสามารถเพิ่มการทำงานได้อีกมากสำหรับคอมพิวเตอร์ควอนตัมที่สามารถทำได้ ด้วยความลึกของวงจรที่ 146 (นั่นคือ 146 เลเยอร์เกท) รวมถึงเกทควบคุม X 41 เกท — เกทพัวพันที่เป็นต้นเหตุของเสียงรบกวน เรากำลังดูตรรกะที่ซับซ้อนบางอย่าง แล้วผลลัพธ์ก็ดูค่อนข้างสุ่ม ใช่ บางทีฉันต้องรอฮาร์ดแวร์ที่ดีกว่านี้
ไม่เร็วนัก! คุณเป็นวิศวกร จำได้ไหม? (และถ้าคุณคิดว่าไม่ใช่ คุณกำลังทำงานกับซอฟต์แวร์อยู่ตอนนี้ใช่ไหม คุณเป็นวิศวกรซอฟต์แวร์ เยี่ยมมาก ตอนนี้ กลับไปทำงานกันเถอะ) บางทีเราสามารถเพิ่มประสิทธิภาพโค้ดของเราได้
ไปในทางที่ง่ายที่สุดและขอให้ Qiskit Optimizer ทำให้วงจรคอมไพล์ง่ายขึ้นสำหรับเราด้วยระดับการปรับให้เหมาะสมที่ 1 คุณสามารถดูตำแหน่งที่ฉันใช้เครื่องมือเพิ่มประสิทธิภาพในข้อมูลโค้ดแรก – เลื่อนขึ้นเพื่อค้นหาฟังก์ชัน get_optimized_circuit ที่ฉันกำหนด ฉันเรียกใช้การเพิ่มประสิทธิภาพแต่ละระดับและจัดเก็บไว้ในอาร์เรย์เพื่อให้การสาธิตนี้ง่ายขึ้น นี่คือผลลัพธ์ของขั้นตอนการเพิ่มประสิทธิภาพขั้นแรก:
อ๊ะ เราลดความลึกลงเหลือ 61 แม้ว่าจะยังคงมี 41 เกทควบคุม-X เมื่อเราเรียกใช้ ผลลัพธ์ที่ถูกต้องจะอยู่ที่นั่น แต่แทบไม่มีจุดสูงสุดเหนือสิ่งอื่นใด มันไม่มั่นคงพอที่จะวางใจ

management system

ตกลง… มากกว่า 30% ของเวลาที่คำตอบที่ส่งคืนนั้นถูกต้องสำหรับทั้งสองระดับการเพิ่มประสิทธิภาพ และเป็นค่าผิดปกติที่ชัดเจนเสมอ! ดูสิ เราเปลี่ยนจากผลลัพธ์ของเราที่ยุ่งเหยิงไปหมด มาเป็นสถิติที่มั่นคงด้วยการปรับปรุงซอฟต์แวร์เพียงเล็กน้อย!
แม้ว่าปัญหาของเราที่นี่จะค่อนข้างง่าย แต่ฉันหวังว่าแบบฝึกหัดนี้จะเน้นย้ำสิ่งที่สำคัญ: เราสามารถปรับปรุงคุณภาพผลลัพธ์ของเราได้อย่างมากผ่านการดัดแปลงซอฟต์แวร์ โดยไม่ต้องดัดแปลงฮาร์ดแวร์ใดๆ
ตอนนี้เป็นเวลาที่ดีในการเริ่มต้นเรียนรู้การพัฒนาโค้ดควอนตัมอย่างแม่นยำเพราะซอฟต์แวร์ได้กลายเป็นปัจจัยที่สำคัญมากอยู่แล้ว แม้ว่าเราจะยังรอการปรับปรุงฮาร์ดแวร์ที่สำคัญมากมายอย่างใจจดใจจ่อ ก่อนที่คอมพิวเตอร์ควอนตัมจะเข้ามามีบทบาทสำคัญยิ่งในแอปพลิเคชันการคำนวณในโลกแห่งความเป็นจริง แต่เราอยู่ในขั้นตอนที่คุณภาพของโค้ดของเราสามารถส่งผลกระทบอย่างมีนัยสำคัญต่อผลลัพธ์ของเรา และถ้าเราเรียนรู้เรื่องเชือกตอนนี้ การเขียนโค้ดที่เป็นของแข็งสำหรับโปรเซสเซอร์ควอนตัมในปัจจุบัน แอปพลิเคชันในอนาคตของเราจะมีประโยชน์มากขึ้นและเร็วขึ้นมาก
และสุดท้าย หากคุณมีโอกาสเข้าสู่ประวัติศาสตร์การคำนวณ คุณทราบความรู้สึกนั้นเมื่อได้ยินเกี่ยวกับโปรแกรมเมอร์ในวัยเรียนบ้างไหม ชอบ Dorothy Vaughan, Margaret Heafield Hamilton หรือ Ellen Ullman? จะเจ๋งแค่ไหนที่จะช่วยให้เกิดเทคโนโลยีที่เปลี่ยนแปลงโลกไปมากในตอนที่พวกเขายังเด็กอยู่? นี่เป็นโอกาสของคุณจริงๆ ยกเว้นครั้งนี้ หวังว่าคุณจะสามารถเข้ามาในสนามที่มีความหลากหลายและเป็นมิตรมากขึ้น และไม่ต้องเผชิญกับสิ่งกีดขวางบนถนนแบบเดียวกับที่ผู้บุกเบิกด้านการเขียนโปรแกรมอย่างพวกเขาช่วยให้ชัดเจน มาช่วยโปรแกรมคอมพิวเตอร์ควอนตัมวันนี้ และแสดงให้ทุกคนเห็นว่ามันเสร็จสิ้นได้อย่างไร!
แผนที่โลกของชาวบาบิโลนถือเป็นแผนที่แรกสุดของโลกตั้งแต่ 600 ปีก่อนคริสตกาล ในการสร้างแผนที่สำหรับนักทำแผนที่ในยุคแรกๆ ศาสตร์แห่งการทำแผนที่และภาพที่แสดงข้อมูลทางภูมิศาสตร์ จะร่างบนแผ่นดินเหนียวตามรอยแยกต่างๆ และพื้นผิวดินเพื่อพรรณนาพื้นผิวโลก
หลายพันปีต่อมาเม็ดดินเหนียวถูกแทนที่ด้วยกระดาษและเมื่อเร็ว ๆ นี้ iPads แต่งานการสเก็ตช์ยังคงเหมือนเดิม โดยเฉพาะอย่างยิ่งสำหรับนักธรณีวิทยาที่ไม่สนใจการทำแผนที่โลกและสนใจที่จะค้นหาแหล่งพลังงานธรรมชาติใหม่ในเปลือกโลกมากขึ้น .
ตัวอย่างเช่น เพื่อระบุศักยภาพการสะสมของไฮโดรคาร์บอน (พลังงานธรรมชาติ) นักธรณีวิทยาศึกษาลักษณะการเกิดแผ่นดินไหวซึ่งสะท้อนถึงพารามิเตอร์และพื้นผิว เช่น การกำหนดค่า ความต่อเนื่อง แอมพลิจูด และความถี่ ภายในชั้นหิน (ชั้น) ของลำดับการสะสม เป็นเรื่องปกติสำหรับพวกเขาที่จะใช้ภาพร่างที่ค่อนข้างเรียบง่ายเพื่อสื่อสารแนวคิดเหล่านี้ในขั้นตอนต่างๆ ของเวิร์กโฟลว์
ในระหว่างขั้นตอนการตีความ งานทั่วไปคือการมองหารูปแบบคลื่นไหวสะเทือนที่เฉพาะเจาะจงที่อาจบ่งบอกถึงโครงสร้างทางธรณีวิทยาหรือความผิดปกติที่เกิดจากการมีอยู่ของของเหลว การตีความคลื่นไหวสะเทือนยังคงเป็นกระบวนการที่เน้นมนุษย์เป็นศูนย์กลาง และเป็นหนึ่งในปัญหาคอขวดที่สำคัญที่สุดในขั้นตอนการสำรวจน้ำมันและก๊าซ แต่เมื่อเร็ว ๆ นี้ ภาคสนามกำลังแสดงความสนใจที่จะเร่งกระบวนการนี้ด้วยการเรียนรู้ของเครื่อง แม้ว่าการวิจัยในระยะแรกจะมีแนวโน้มที่ดี เช่นเดียวกับแอปพลิเคชั่นใหม่ๆ ของปัญญาประดิษฐ์ แต่ยังขาดชุดข้อมูลที่มีคำอธิบายประกอบขนาดใหญ่และมีคุณภาพสูงให้ใช้งาน
ข้อมูลสังเคราะห์เป็นวิธีหนึ่งในการแก้ปัญหาการขาดแคลนข้อมูล แต่มีราคาแพง ทีมงานของเราที่ IBM Research ในบราซิลเสนอทางเลือกอื่นซึ่งอาศัย Generative Adversarial Networks (GAN) และภาพร่างด้วยมือเพื่อสร้างภาพแผ่นดินไหวสังเคราะห์ที่สมจริง เพื่อเป็นความรู้ที่ดีที่สุดของเรา เป็นงานแรกที่เสนอและพัฒนาแนวคิดดังกล่าวสำหรับโดเมนนี้ เราจะนำเสนอในวันนี้ในการประชุมประจำปีของEuropean Association of Geoscientists and Engineers (EAGE) ในลอนดอน
มีประโยชน์หลายประการของเครื่องมือดังกล่าว เช่น ช่วยให้นักธรณีวิทยาสามารถสร้างและสื่อสารสถานการณ์แบบ what-if ได้อย่างรวดเร็วโดยใช้ภาพแผ่นดินไหวสังเคราะห์เพื่อสแกนก้อนแผ่นดินไหวเพื่อค้นหาโครงสร้างที่คล้ายกันและสร้างข้อมูลการฝึกอบรมสำหรับอัลกอริธึมการเรียนรู้ของเครื่องภายใต้การดูแล

Web​ application

GAN ได้รับความสนใจอย่างมากเมื่อเร็วๆ นี้ เนื่องจากพวกเขาใช้ในการสร้างภาพและวิดีโอของบุคคลที่มีชื่อเสียงในวัฒนธรรมสมัยนิยมและข่าวปลอมอย่างลึกซึ้ง แต่ในการวิจัยของเรา เราใช้เทคนิคนี้ในการสังเคราะห์ภาพร่างที่วาดด้วยมือเพื่อสร้างภาพแผ่นดินไหวที่สมจริง .
ในการฝึกและทดสอบแนวทางของเรา เราได้จำลองภาพสเก็ตช์ที่ทำโดยนักธรณีวิทยาโดยใช้เทคนิคการประมวลผลภาพ ห้าเครือข่ายได้รับการฝึกอบรม หนึ่งเครือข่ายสำหรับสเก็ตช์แต่ละประเภท โดยใช้การกำหนดค่าเดียวกัน เครือข่ายได้รับการฝึกอบรมมาเป็นเวลา 25 ยุค โดยพิจารณาจากตัวอย่าง 34,000 ตัวอย่างที่สุ่มมา
ในการประเมินผลลัพธ์ของเครือข่ายที่ได้รับการฝึกอบรมสำหรับสเก็ตช์แต่ละประเภท เราได้ทำการประเมินเชิงปริมาณและเชิงคุณภาพ ในครั้งแรก เราทดสอบภาพแผ่นดินไหว 750 ภาพซึ่งสังเคราะห์โดยแต่ละเครือข่าย และเปรียบเทียบกับภาพแผ่นดินไหวต้นฉบับ ผลลัพธ์ที่ดีที่สุดของเรามีระยะมัธยฐานที่ 0.17
สำหรับการวิเคราะห์เชิงคุณภาพ เราได้วิเคราะห์ประสิทธิภาพของประเภทภาพร่าง/เครือข่ายที่เสนอในแง่ของความคล้ายคลึงของภาพ และเราดำเนินการวิเคราะห์ด้วยภาพเกี่ยวกับคุณภาพ/ความสม่ำเสมอของภาพแผ่นดินไหวที่สังเคราะห์ขึ้น
โดยสรุป เราประเมินภาพสเก็ตช์ห้าประเภทที่แตกต่างกัน และแสดงให้เห็นว่าเป็นไปได้ที่จะได้ภาพแผ่นดินไหวที่เหมือนจริงมากด้วยภาพร่างที่ค่อนข้างเรียบง่าย การผสมสีพื้นหลังซึ่งเป็นตัวแทนของชั้นหิน และขอบที่มีสีสันเป็นประเภทสเก็ตช์ที่ให้ผลลัพธ์ที่ดีที่สุด
สำหรับขั้นตอนต่อไป เราต้องการตรวจสอบประสิทธิภาพของวิธีการที่นำเสนอในการใช้งานต่างๆ เช่น การดึงภาพและการจัดประเภท ตัวอย่างเช่น เราสามารถใช้เทคนิคของเราเพื่อช่วยผู้เชี่ยวชาญในการค้นหาชุดข้อมูลที่คล้ายคลึงกันในจำนวนเทราไบต์ของข้อมูลโดยใช้การร่างแบบง่ายๆ แต่ยังสำหรับการค้นหาในเอกสาร เอกสารที่ผ่านการตรวจสอบโดยเพื่อน และรายงาน
ในการประชุมนานาชาติด้านการเรียนรู้ของเครื่อง (ICML 2019) ครั้งที่ 36) วันที่ 10-15 มิถุนายน ในเมืองลองบีช รัฐแคลิฟอร์เนีย IBM Research AI จะนำเสนอความก้าวหน้าทางเทคนิคล่าสุดในการเรียนรู้ของเครื่องสำหรับ AI และวิทยาศาสตร์ข้อมูล เราเป็นผู้นำในการสำรวจและพัฒนาเทคโนโลยีแมชชีนเลิร์นนิงมานานหลายทศวรรษ และตอนนี้เรากำลังพัฒนาด้าน AI ผ่านพอร์ตโฟลิโอการวิจัยที่เน้นการพัฒนา AI, ความน่าเชื่อถือของ AI และการปรับสเกล AI
เราภูมิใจที่ได้เป็นผู้สนับสนุนระดับทองของ ICML 2019 และจะจัดแสดงในการประชุมที่บูธ #117 เยี่ยมชมบูธของเราเพื่อสัมผัสกับเทคโนโลยีโดยตรงด้วยการสาธิตเครื่องมือและทรัพยากรของเรา และเรียนรู้เกี่ยวกับการวิจัยล่าสุดของเราในการเสวนาและโปสเตอร์ที่แสดงด้านล่าง เราหวังว่าจะได้พบคุณในลองบีช!
โรคเบาหวานประเภท 1 (T1D) เป็นโรคภูมิต้านตนเองที่ระบบภูมิคุ้มกันของร่างกายทำลายเซลล์ที่ผลิตอินซูลินในตับอ่อน ปัจจุบันยังไม่มีวิธีรักษา T1D เนื่องจากการโต้ตอบพื้นฐานที่รับผิดชอบต่อความผิดปกติยังไม่ทราบ

Robot Auto process

อย่างไรก็ตาม การเพิ่มขึ้นของการวิจัยภูมิคุ้มกันบำบัดช่วยให้เราเข้าใจปฏิกิริยาภูมิคุ้มกันที่ทำให้เกิด T1D ได้ดีขึ้น และมีแนวโน้มเพิ่มขึ้นที่จะพัฒนาการรักษาที่ตรงเป้าหมายมากขึ้นและไม่รุกรานสำหรับการรักษา T1D ในการบรรลุเป้าหมายนี้ นักวิจัยจาก IBM และ Johns Hopkins University (JHU) School of Medicine ได้ค้นพบชุดเซลล์ชนิดพิเศษที่ก่อให้เกิดปฏิกิริยาภูมิต้านตนเอง T1D ซึ่งเป็นหลักฐานแรกของปฏิกิริยาดังกล่าวที่เคยรายงาน การค้นพบนี้เผยแพร่ในCellสามารถให้เบาะแสเกี่ยวกับสาเหตุที่แท้จริงของ T1D
ใน T1D เซลล์ภูมิคุ้มกันที่เรียกว่า “killer” T-cells จะรับสัญญาณจาก “helper” T-cells เพื่อทำลายเซลล์เบต้า เซลล์เบต้าคือเซลล์ภายในตับอ่อนที่ผลิตอินซูลิน ก่อนหน้านี้นักวิจัยได้ตรวจสอบความเป็นไปได้ที่ว่าอินซูลินที่ผลิตเบต้าเซลล์อาจจะส่งเสริมให้ทำลายตัวเองโดยการส่งสัญญาณไปยังผู้ช่วย T-cell ที่จะดำเนินการโจมตีครั้งนี้1 แต่น่าเสียดายที่ความพยายามขนาดใหญ่ลงทุนในการเปิดเผยกลไกเหล่านี้ได้ส่งผลรบกวน2