Quantum image dataset transform (QIDT)
Başlık çevirisi mevcut değil.
- Tez No: 917390
- Danışmanlar: DOÇ. DR. CEVAT RAHEBİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İSTANBUL TOPKAPI ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 78
Özet
Mevcut CNN mimarileri, optik kamera gibi klasik bitler kullanarak çalışan donanım sistemleri ile elde edilen dijital görüntülerin eğitilmesine yönelik geliştirilmiştir. Günümüzde kuantum hesaplama sistemlerinin ve halka açık erişim imkanlarının artmasıyla birlikte, hem klasik hem de kuantum algoritmalarının güçlü yönlerinin birleştirilmesine yönelik başarılı çalışmalar yapılmaktadır. Hem klasik hem kuantum hesaplamanın birlikte kullanımı hibrit kuantum sistemlerinin yaygınlaşmasına olanak sağlamıştır. Özellikle dijital görüntülerin kuantum hesaplama için uygun devrelere dönüştürülmesi ve kuantum temsilinin yapılması için önerilen yöntem ve çalışmalar bulunmaktadır. Ancak mevcut katmanlar ile geliştirilen CNN mimarilerinin kullanımı için kuantum devreler ile dönüştürülmüş ve dönüştürülen görseller ile veri seti oluşturmaya yönelik bir çalışmaya ulaşılamamıştır. Bu çalışmada, dijital görsellerin kuantum devreler kullanılarak dönüştürülmesi ve dönüştürülmüş kuantum görseller ile yeni bir veri seti oluşturulması amacıyla Quantum Image Dataset Transform (QIDT) yöntemi önerilmektedir. MNIST el yazısı rakamları veri setinde bulunan 28x28 boyutundaki 10.000 dijital görüntülerin her biri alt parçalara ayrılmış ve her bir parçanın ortak ağırlık değerleri, kuantum devrede kullanılacak faz değeri olarak belirlenmiştir. Görüntüye ait her parçanın kuantum çıktıları kuantum dönüştürücü oluşturularak klasik karşılıklarına çevrilmiş tekrar birleştirilerek yeni bir dijital görüntü elde edilmiştir. Çalışma boyunca yapılan kuantum dönüştürme işlemi sonucunda kuantum dönüşüme uğrayan dijital görüntüler 〖MNISTQ〗_image^+ adıyla, görüntülerin orijinal biçimleri ise MNIST Orginal adıyla etiketlenmiş ve açık erişimli olarak paylaşılmıştır. Tüm parametre ve fonksiyonlarının aynı şekilde kullanıldığı EfficientNetV2B3 mimarisi üzerinde sırasıyla 92.54% ve 93.90% doğruluk oranları ile birbirine yakın sonuçlar alınmıştır. Çalışma sonucunda elde edilen 〖MNISTQ〗_image^+veri setinin yeni bir kenar tespit yöntemi olarak kullanılabileceği görülmektedir. Çalışma boyunca QIDT ile önerilen kuantum dönüştürme yöntemi ve alınan sonuçlar kuantum dönüşüme uğramış veri setlerinin klasik CNN mimarileri üzerinde ki başarı potansiyelini artırmak için temel bir çalışma sunmayı amaçlamaktadır.
Özet (Çeviri)
Current CNN architectures have been developed for training digital image datasets obtained with hardware systems that use classical bits such as optical cameras. Today, with the increase in quantum computing systems and public access opportunities, successful studies are being carried out to combine the strengths of both classical and quantum algorithms. While the use of both classical and quantum computing together allows the spread of hybrid quantum systems, there are methods proposed especially for the quantum representation of digital images. However, although the proposed methods are aimed at transforming digital images into circuits suitable for quantum computing, a study on dataset transformation that uses completely classical CNN architectures has not been reached. In this study, Quantum Image Dataset Transform (QIDT) method is proposed for transforming digital images using quantum circuits and creating a new dataset with the transformed new images. In order to convert 10,000 digital images of 28x28 size in MNIST handwritten digits dataset to the most suitable values for quantum computation, each of them was divided into separate sub-parts and the common weight values of each part were determined as the phase value to be used in the quantum circuit. Quantum outputs of each part were converted to classical equivalents by creating a quantum converter and combined to obtain a new digital image. The new digital images obtained as a result of the quantum conversion process carried out throughout the study were labeled with the names 〖MNISTQ〗_image^+ and MNIST Orginal and shared as open access to everyone. Similar results were obtained with 92.54% and 93.90% success rates, respectively, on the EfficientNetV2B3 architecture, where all parameters and functions were used in the same way. It is seen that the 〖MNISTQ〗_image^+ dataset obtained as a result of the study can be used as a new edge detection method. Throughout the study, the proposed quantum transformation method with QIDT and the obtained results aim to provide a fundamental study to increase the success potential of quantum transformed data sets over classical CNN architectures.
Benzer Tezler
- Kuantum hesaplama modellerinin derin öğrenme kullanılarak otomatik üretimi
Automated generation of quantum computing models using deep learning
NİYAZİ FURKAN BAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- Kuantum devrelerin optimizasyonu için yapay zeka tabanlı yaklaşımlar
Artificial intelligence-based approaches for optimization of quantum circuits
TUBA ŞANLI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiAdli Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ORHAN YAMAN
- Akciğer röntgen görüntülerinden Covid'19 ve zatürre hastalığının kuantum makine öğrenmesi yöntemleri ile tahmini
Prediction of Covid'19 and pneumature from lung x-ray images using quantum machine learning methods
SEÇMEN ŞAHİN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜNEŞ HARMAN
- Bilgisayarlı tomografi görüntülerinden travmatik olmayan omurga çökme kırıklarının tespiti için hibrit bir makine öğrenme yönteminin geliştirilmesi
Development of a hybrid machine learning method for the detection of non-traumatic spine compression fractures from computed tomography (CT) image
MURAT TÜRKMEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP ORMAN
- Predicting the bandgap of hole-transport materials by deep learning
Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini
MİRAÇ AYDIN
Yüksek Lisans
İngilizce
2023
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN