A hybrid quantum-classical framework for image modelling using quantum implicit neural representations
Kuantum örtük sinirsel temsiller kullanarak görüntü modellemesine yönelik hibrit bir kuantum-klasik çerçeve
- Tez No: 1024404
- Danışmanlar: PROF. DR. NEJAT BULUT, PROF. DR. YALIN BAŞTANLAR
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğreniminde (ML), görüntü oluşturma ve yeniden yapılandırma önemli görevlerdir. Otomatik kodlayıcı (AE) gibi yeniden yapılandırmaya dayalı modeller, örneği yeniden yapılandırmayı öğrenmeyi amaçlar. Dahası, varyasyonel otomatik kodlayıcı (VAE) ve üretken düşman ağ (GAN) gibi üretken modeller, yeni desenler sentezlemeyi amaçlar. Klasik modeller günümüzde hala başarılı bir şekilde çalışsa da, kuantum bilgisayarların yeni yetenekler sağlayıp sağlayamayacağını belirlemek için kuantum otomatik kodlayıcı (QAE), kuantum varyasyonel otomatik kodlayıcı (QVAE) ve kuantum üretken düşman ağ (QGAN) gibi kuantum makine öğrenimi (QML) algoritmaları geliştirilmiştir. Bu tez, görüntü yeniden yapılandırma ve oluşturma görevleri için kuantum örtük sinirsel temsil (QINR) tabanlı otomatik kodlayıcı (AE) ve varyasyonel otomatik kodlayıcı (VAE) modellerini sunmaktadır. Amaç, AE ve VAE yapılarındaki QINR'nin gizli uzaydan gelen bilgiyi oldukça zengin, periyodik ve yüksek frekanslı özelliklere dönüştürebileceğini göstermektir. Ek olarak, QINR-VAE'nin düşük çeşitlilik problemini ele alabildiği için görüntü oluşturmada çeşitli kuantum üretken düşman ağ (QGAN) modellerinden daha kararlı olabileceğini göstermek amaçlanmaktadır. Kuantum-klasik hibrit modeller, klasik bir evrişimsel sinir ağı (CNN) kodlayıcı ve kuantum tabanlı bir QINR kod çözücüden oluşmaktadır. QINR-AE/VAE için yeniden yapılandırma kaybı olarak logitlerle ikili çapraz entropi (BCEWithLogits) kullanılmaktadır. QINR-VAE için ayrıca, posterior collapse problemini önlemek amacıyla beta/kapasite çizelgelemesi ile birlikte gizli uzay düzenlileştirmesi için Kullback–Leibler ıraksaması kullanılmaktadır. Optimizasyon zorluklarını ele almak için veri yeniden yükleme yapısında öğrenilebilir açı ölçeklendirmesi tanıtılmıştır. Modeller, görüntüleri yeniden yapılandırmak ve oluşturmak için MNIST, E-MNIST, Fashion-MNIST ve CelebA veri kümeleri üzerinde değerlendirilmiştir. QINR tabanlı kuantum katmanlarının AE/VAE çerçevelerine eklenmesinin, sınırlı sayıda parametreyle yeniden yapılandırma ve oluşturma performansını artırdığı gözlemlenmiştir.
Özet (Çeviri)
In machine learning (ML), generating and reconstructing images are crucial tasks. Reconstruction-based models, such as the autoencoder (AE), aim to learn to reconstruct the sample. Moreover, generative models such as the variational autoencoder (VAE) and generative adversarial network (GAN) aim to synthesize new patterns. Although classical models still function successfully today, quantum machine learning (QML) algorithms such as the quantum autoencoder (QAE), quantum variational autoencoder (QVAE), and quantum generative adversarial network (QGAN) models have been developed to determine whether quantum computers can provide novel capabilities. This thesis presents quantum implicit neural representation (QINR)-based autoencoder (AE) and variational autoencoder (VAE) for image reconstruction and generation tasks. The purpose is to demonstrate that the QINR in VAEs and AEs can transform information from the latent space into highly rich, periodic, and high-frequency features. Additionally, it is aimed to show that the QINR-VAE can be more stable than various quantum generative adversarial network (QGAN) models in image generation because it can address the low diversity problem. The quantum-classical hybrid models consist of a classical convolutional neural network (CNN) encoder and a quantum-based QINR decoder. The QINR AE/VAE with binary cross-entropy with logits (BCEWithLogits) is employed as the reconstruction loss. For the QINR-VAE, additionally, Kullback-Leibler divergence is employed for latent regularization with beta/capacity scheduling to prevent posterior collapse. Learnable angle-scaling in data reuploading is introduced to address optimization challenges. The models are evaluated on the MNIST, E-MNIST, Fashion MNIST, and CelebA datasets to reconstruct and generate images. It is observed that the addition of QINR-based quantum layers into the AE/VAE frameworks enhances the performance of reconstruction/generation with a constrained set of parameters.
Benzer Tezler
- Bulut tabanlı otonom sürüş sıstemlerınde görüntü işleme ıçın tam homomorfık şıfreleme yaklaşımı
A fully homomorphic encryption approach to image processing in cloud based autonomous driving systems
KAMRAN SAEED
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- Retinal kan damarlarının kuantum tabanlı evrişimli yapay sinir ağları ile bölütlenmesi
Segmentation of retinal blood vessels with quantum-based convolutionary artificial neural networks
ERSUN YILMAZ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ KARAÇOR
- Siber güvenlikte saldırı tespiti için yeni bir hibrit kuantum sinir ağı modeli
A novel hybrid quantum neural network model for attack detection in cybersecurity
MUHAMMED YUSUF KÜÇÜKKARA
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ
- Kısmi diferansiyel denklemleri çözmek için kuantum makine öğrenmesi algoritmaları
Quantum machine learning algorithms for solving partial differential equations
AFRAH NAJIB ABDULLAH FAREA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MUSTAFA SERDAR CELEBİ
- Heterojen çoklu insansız hava-kara-deniz araç sürüleri için kuantum hesaplama tabanlı akıllı işbirlikçi kontrol yaklaşımları
Quantum computing based intelligent collaborative control approaches for heterogeneous multi-swarms of unmanned aerial-ground-marine vehicles
NİGAR ÖZBEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE