Development of deep learning based circuit analysis and fault detection methods in quantum computing models
Reyhan YILMAZ
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.
•Jan 1, 2024•0 citations