Kuantum bilgisayarlarda makine öğrenmesi uygulamaları
Machine learning applications on quantum computers
- Tez No: 1022073
- Danışmanlar: DOÇ. DR. VEYSEL GÖKHAN BÖCEKÇİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kuantum bilgisayarlar, klasik sistemlerin zorlandığı problemleri çözme potansiyeliyle öne çıksa da güncel araştırmaların çoğu halen simülasyon ortamlarında yürütülmektedir. Özellikle kuantum makine öğrenmesi (QML) ve kuantum sinir ağlarının (QNN) gerçek donanım üzerindeki uygulanabilirliği daha fazla deneysel çalışmaya ihtiyaç duymaktadır. Kuantum bilgisayarların büyük ölçekli verileri doğrudan işleyememesi nedeniyle, bu süreçlerde boyut indirgeme teknikleri kritik bir rol oynar. Bu çalışmada, Iris veri setine Temel Bileşenler Analizi (PCA) uygulanarak özellik uzayı 4 boyuttan 2 boyuta indirgenmiş; elde edilen veri temsiliyle Kuantum Destek Vektör Makinesi (QSVM) ve QNN tabanlı sınıflandırma modelleri eğitilmiştir. Çalışmanın yenilikçi yönü, QML deneylerinin simülatörler yerine doğrudan IBM'in Qiskit Runtime Service altyapısı üzerinden, gerçek kuantum bilgisayarlarında gerçekleştirilmesidir. PCA tabanlı bu yaklaşım sayesinde daha az kubit kullanılarak devre derinliği düşürülmüş, böylece gerçek donanımdaki gürültü etkileri ve hesaplama maliyetleri azaltılmıştır. Deneysel sonuçlar kapsamında, QSVM ve QNN için 10'ar bağımsız model eğitilerek ortalama doğruluk değerleri değerlendirilmiştir. Optimize edilmiş kuantum çekirdek matrisi ile eğitilen QSVM modeli gerçek kuantum ortamında %95,00 ortalama doğruluk elde ederken, QNN modeli %87,33 doğruluk sağlamıştır. Bu sonuçlar, mevcut NISQ koşullarında QSVM yaklaşımının QNN'e kıyasla daha yüksek performans sergilediğini ortaya koymaktadır. Çalışma, QML modellerinin gerçek kuantum donanımındaki kısıtlar altında karşılaştırmalı analizine deneysel bir katkı sunmaktadır.
Özet (Çeviri)
Although quantum computers stand out for their potential to solve problems that challenge classical systems, most current research is still conducted in simulation environments. In particular, the viability of quantum machine learning (QML) and quantum neural networks (QNN) on real hardware requires more empirical research. Since quantum computers cannot directly process large-scale data, dimensionality reduction techniques play a critical role in these processes. In this study, Principal Component Analysis (PCA) was applied to the Iris dataset to reduce the feature space from 4 to 2 dimensions. Using the resulting data representation, Quantum Support Vector Machine (QSVM) and QNN-based classification models were trained. The innovative aspect of this work is that the QML experiments were executed directly on real quantum computers via IBM's Qiskit Runtime Service, rather than using simulators. Thanks to this PCA-based approach, fewer qubits were utilized and circuit depth was minimized, thereby reducing noise effects and computational costs on real hardware. Within the scope of the experimental results, 10 independent models were trained for both QSVM and QNN to evaluate their average accuracy. The QSVM model, trained with an optimized quantum kernel matrix, achieved an average accuracy of 95.00% in the real quantum environment, while the QNN model achieved 87.33%. These results demonstrate that the QSVM approach outperforms QNN under current NISQ conditions. This study provides an empirical contribution to the comparative analysis of QML models under real quantum hardware constraints.
Benzer Tezler
- Bazı tıbbi görüntülerin kuantum teknolojik yöntemler ile analizi
Analysis of some medical images with quantum technological methods
NİLAY DURMUŞ
Yüksek Lisans
Türkçe
2022
Fizik ve Fizik MühendisliğiÇanakkale Onsekiz Mart ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. İHSAN YILMAZ
- Kuantum makine öğrenmesinde bazı kuantum algoritmaların incelenmesi
An investing of some quantum algorithms in quantum machine learning
MERVE HAMZAÇEBİ
Yüksek Lisans
Türkçe
2024
Fizik ve Fizik MühendisliğiOndokuz Mayıs ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. AZMİ GENÇTEN
- Kuantum tabanlı boyut indirgeme ve sınıflandırıcı gerçekleştirilmesi
Implementation of dimensional reduction and classifier based on quantum programming
ZEYNEP ÖZPOLAT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT KARABATAK
- Thermodynamic stability of binary compounds: A comprehensive computational and machine learning approach
İkili bileşiklerin termodinamik kararlılığı: Kapsamlı bir hesaplamalı yaklaşım ve makine öğrenmesi uygulaması
FERAYE HATİCE CANBAZ
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ADEM TEKİN
- A historical evaluation of artificial intelligence with focus on algorithms generating creative artwork
Yapay zeka üzerine yaratıcı yapıt üreten algoritmalar odaklı tarihsel bir değerlendirme
İLKEM AHU ŞAHİN
Doktora
İngilizce
2026
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilim ve Teknoloji Tarihi Ana Bilim Dalı
PROF. DR. AYTEKİN ÇÖKELEZ