Geri Dön

Kuantum hesaplama modellerinde derin öğrenme tabanlı devre analizi ve hata tespit yöntemlerinin geliştirilmesi

Development of deep learning based circuit analysis and fault detection methods in quantum computing models

PDF İndir

  1. Tez No: 851150
  2. Yazar: REYHAN YILMAZ
  3. Danışmanlar: DOÇ. DR. ORHAN YAMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Adli Bilişim Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 72

Özet

Kuantum bilgisayarlar, karmaşık problemlerin üstesinden gelebilecek potansiyelinden dolayı son yıllarda yapılan çalışma sayısı hızla artmaktadır. Kuantum devreler kubitlerin bir araya gelmesi ile oluşmaktadır. Kombinasyonel devrelerde AND, OR, NAND, NOR, XOR ve XNOR gibi geleneksel kapılar kullanılırken kuantum devrelerde Feynman, Toffoli ve Fredkin kapıları kullanılmaktadır. Bu kapıların belirli giriş ve çıkışları vardır. Kuantum kapılar kullanılarak farklı giriş, çıkış ve kapı sayısına sahip kuantum devreler oluşturulmaktadır. Günümüzde kuantum devreler kullanılarak birçok uygulama alanında çalışmalar yapılmaktadır. Kuantum devre tasarımı yapılarak simülasyon programları üzerinden test edilmektedir. Test sırasında kuantum devreleri üzerinde hatalar oluşabilir ve doğruluk tablosu yanlış üretilebilmektedir. Bu tez çalışmasında kuantum devrelerde devre analizi ve hata tespiti için derin öğrenme tabanlı yöntemler geliştirilmiştir. Tez kapsamında üç temel noktada bilimsel katkı sunulmuştur. İlk olarak kuantum devrelerinin analiz edilmesi ve arıza tespiti için veri seti oluşturulmuştur. MATLAB2020A programı kullanılarak 9250 adet örnek“tfc”dosyaları oluşturulmuştur. Bu“tfc”dosyalarından“RCViewer”simülasyon programı kullanılarak kuantum devre şemaları elde edilmiştir. Kuantum devreler kapı ve giriş sayılarına göre etiketlenmiştir. Etiketlenen kuantum devrelerin analizi için kapı ve giriş tespiti yapılmıştır. YOLO algoritması kullanılarak kuantum devrelerinde kapı ve giriş sayıları hesaplanmıştır. Önerilen YOLO algoritması 2800 iterasyon çalıştırılmış ve eğitim-test verisi oranı 80:20 için %87.1 mAP elde edilmiştir. İkinci olarak derin öğrenme tabanlı modeller kullanılarak kuantum devrelerinde özellik çıkarımı ve Destek Vektör Makinesi ile giriş ve kapı sayısı tespit edilmiştir. AlexNet, DarkNet, GoogleNet, Vgg ve ResNet modelleri kullanılmış ve kuantum devre görüntülerinden özellik çıkarımı yapılmıştır. Kullanılan veri seti 3-7 giriş sayısı, 1-8 kapı sayısına sahip 9250 devreden oluşmaktadır. Önerilen yöntemde kapı ve giriş sayıları birlikte kullanılarak toplamda 40 sınıf için sonuçlar elde edilmiştir. DarkNet53 + SVM algoritması için en yüksek %99.81 ve ResNet101 + SVM algoritması için en yüksek 99.78 doğruluk hesaplanmıştır. Son olarak kuantum devrelerinde doğruluk tablosu kullanılarak hata tespit yöntemi geliştirilmiştir. Kuantum devrelerinde kapı ve giriş sayısı tespit edilerek doğruluk tablosu üretilmiştir. Doğruluk tablosu üretilen kuantum devrenin aynı zamanda“tfc”dosyasından“RCViewer”simülasyonu ile de doğruluk tablosu elde edilmektedir. Geliştirilen uygulamada elde edilen doğruluk tablosu ile“RCViewer”simülasyonundan elde edilen doğruluk tablosu karşılaştırılmakta ve hata tespiti yapılmaktadır. Sonuç olarak bu yüksek lisans tez çalışmasında kuantum devrelerin analizi ve hata tespiti için yöntemler geliştirilmiştir. Önerilen yöntemlerin performans sonuçları sunulmuştur. Tez kapsamında yapılan çalışmalar TÜBİTAK 121E439 Numaralı 1001 projesi tarafından desteklenmiştir.

Özet (Çeviri)

The number of studies on quantum computers has been increasing rapidly in recent years due to their potential to overcome complex problems. Quantum circuits are formed by the combination of qubits. While traditional gates such as AND, OR, NAND, NOR, XOR, and XNOR are used in combinational circuits, Feynman, Toffoli, and Fredkin gates are used in quantum circuits. These gates have specific entrances and exits. Quantum circuits with different input, output, and gate numbers are created using quantum gates. Today, studies are being carried out in many application areas using quantum circuits. Quantum circuits are designed and tested through simulation programs. During testing, errors may occur on quantum circuits and the truth table may be produced incorrectly. In this thesis study, deep learning-based methods have been developed for circuit analysis and error detection in quantum circuits. Within the scope of the thesis, scientific contributions are made on three main points. Firstly, a data set was created for analyzing quantum circuits and fault detection. 9250 sample“tfc”files were created using the MATLAB2020A program. Quantum circuit diagrams were obtained from these“tfc”files using the“RCViewer”simulation program. Quantum circuits are labeled according to the number of gates and inputs. Gates and inputs were detected for the analysis of the labeled quantum circuits. The number of gates and inputs in quantum circuits was calculated using the YOLO algorithm. The proposed YOLO algorithm was run for 2800 iterations and 87.1% mAP was obtained for the training-test data ratio of 80:20. Secondly, feature extraction in quantum circuits using deep learning-based models and the number of inputs and gates were determined with a Support Vector Machine. AlexNet, DarkNet, GoogleNet, Vgg, and ResNet models were used and feature extraction was performed from quantum circuit images. The data set used consists of 9250 circuits with 3-7 input numbers and 1-8 gate numbers. In the proposed method, results were obtained for a total of 40 classes by using the gate and input numbers together. The highest accuracy of 99.81% was calculated for the DarkNet53 + SVM algorithm and 99.78% for the ResNet101 + SVM algorithm. Finally, an error detection method has been developed using truth tables in quantum circuits. The number of gates and inputs in quantum circuits was determined and a truth table was produced. The truth table of the quantum circuit for which the truth table is produced is also obtained by“RCViewer”simulation from the“tfc”file. The truth table obtained in the developed application is compared with the truth table obtained from the“RCViewer”simulation and errors are detected. As a result, in this master's thesis study, methods have been developed for the analysis and error detection of quantum circuits. Performance results of the proposed methods are presented. The studies carried out within the scope of the thesis were supported by TÜBİTAK 1001 project No. 121E439.

Benzer Tezler

  1. Tez No

    850759

    Kuantum hesaplama modellerinin derin öğrenme kullanılarak otomatik üretimi

    Automated generation of quantum computing models using deep learning

    NİYAZİ FURKAN BAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KARAKÖSE

  2. Tez No

    784015

    Predicting the bandgap of hole-transport materials by deep learning

    Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini

    MİRAÇ AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Kimyaİstanbul Teknik Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. ADEM TEKİN

  3. Tez No

    467108

    Logic synthesis and power-delay-area modeling of nano-crossbar arrays

    Nano-dizinlerin güç-gecikme-alan başarım modellemesi ve mantık sentezi

    MUHAMMED CEYLAN MORGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MUSTAFA ALTUN

  4. Tez No

    687134

    Analysis of quantum artificial intelligence algorithms: Grover search and natural language processing with quantum communication

    Kuantum yapay zeka algoritmalarının analizi: Grover araması ve doğal dil işleme ile kuantum haberleşmesi

    HÜSEYİN EMRE ALTUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiBahçeşehir Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞEREF KALEM

  5. Tez No

    476788

    Kuantum ölçek etkileri altında termoelektrik ve termoölçek potansiyeller

    Başlık çevirisi yok

    SEVAN KARABETOĞLU

    Doktora

    Türkçe

    Türkçe

    2017

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. HACI OSMAN ALTUĞ ŞİŞMAN

Geri Dön