Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Kuantum teknolojileri ve enformatik araştırmaları dergisi.

Kuantum Çağında Makine Öğrenimi: Kuantum ve Klasik Destek Vektör Makinelerinin Karşı Karşıya Gelmesi

Davut Emre Tasar, Kutan Koruyan, Ceren Öcal Taşar

Published Oct 30, 2023• 0 citations
Publisher

Abstract

Bu çalışma, klasik ve kuantum hesaplama paradigmalarındaki makine öğrenimi algoritmalarının performansını karşılaştırmayı amaçlamaktadır. Özellikle, Destek Vektör Makineleri (SVM) üzerinde durarak, klasik SVM ile kuantum donanımı üzerinde çalıştırılan Kuantum Destek Vektör Makineleri (QSVM)’nin Iris veri seti üzerindeki sınıflandırma başarısını değerlendirmekteyiz. Kullanılan metodoloji, Qiskit kütüphanesi ile gerçekleştirilen kapsamlı deneyler serisini ve hiperparametre optimizasyonunu içermektedir. Elde edilen sonuçlar, belirli durumlarda QSVM'lerin klasik SVM'lerle rekabet edebilecek düzeyde doğruluk sağladığını, fakat çalışma sürelerinin şu an için daha uzun olduğunu göstermektedir. Ayrıca, kuantum hesaplama kapasitesinin ve paralellik derecesinin arttırılmasının, kuantum makine öğrenimi algoritmalarının performansını önemli ölçüde iyileştirebileceğini belirtmekteyiz. Bu çalışma, kuantum çağında makine öğrenimi uygulamalarının mevcut durumu ve gelecekteki potansiyeli hakkında değerli içgörüler sunmaktadır. Colab: https://t.ly/QKuz0

DOI
10.70447/ktve.2235

Related papers

Kuantum çekirdek temelli sınıflandırma

GÖNÜL SABAH

Kuantum bilgisayarların gelişimiyle, kuantum makine ögrenimi yöntemlerinin araştırılması ve geliştirilmesi daha da önem kazanmıştır. Bu tez çalışmasında klasik makine ögrenimi algoritmalarından biri olan çekirdek fonksiyonları, kuantum bilgisayarlarda uygulanması, algoritmanın yeni bir makine ögrenmesi yöntemi sunabilirliği ve sonuçları üzerinde durulmaktadır. Kauntum çekirdek temelli destek vektör makinesi ile bir model hazırlanmış ve Parkinson Hastalıgı veri seti üzerinde eğitim ve testler yapılmıştır. Kuantum çekirdek için 6 kubit ve daha önceki çalışmalarda kullanılan öznitellik setleri kadar kubit ile kuantum devreler kurulup, eğitimler gerçekleştirilmiştir. Sonuçlar klasik çekirdekli destek vektör makinelerinin sonuçları ile karşılaştırılmıştır. Karşılaştırma sonucunda, kuantum hesaplamanın üstün özelliklerinden dolayı çekirdek tahminlerinde daha iyi performans gösterdigi görülmüştür.

•Jun 30, 2022•0 citations

Sürekli Değişken Modele Dayalı Gözetimli Kuantum Makine Öğrenmesi ile Kişilerin Satın Alma Davranışlarının Tespitinin Simulasyonu

O. Levent Eryılmaz, İhsan Yılmaz

Bu çalışmada kişilerin satın alma davranışları sürekli-değişken modele dayalı gözetimli kuantum makine öğrenmesi ile incelenmiştir. Bu bağlamda, örnek veriler bulut ortamından alınmaktadır. Bu verilerin %75’inin eğitim ve %25’inin test verisi olarak, homojen bir şekilde ayrılması sağlanmıştır. Ayrılan test verisinin eğitim işleminde kullanılmamasına, öğrenme işleminin sağlıklı gerçekleştirilmesi için dikkat edilmiştir. Sonrasında bu verilerdeki bağımsız değişkenler arasındaki uyumun sağlanması için normalizasyon işlemi gerçekleştirilmiştir. Böylece öğrenme işlemi için hazır hale gelen veriler, sürekli değişken modele dayalı varyasyonel devre üzerinde gerçekleştirilen gözetimli kuantum makine öğrenme algoritmasında kullanılmıştır. Ayrıca bu veriler klasik destek vektör makine öğrenme algoritması ile de simüle edilmiştir. Hem kuantum hem de klasik makine öğrenme algoritmalarına ait çapraz tahmin matrisleri ve alıcı işletim karakteristiği (AİK) eğrileri elde edilmiştir. Son olarak veri kümesindeki test verisi haricinde örnek değerler girilerek, sonuçlar metinsel ve görsel olarak görüntülenmiştir. Elde edilen sonuçların karşılaştırılması sonucunda ise sürekli değişken modele dayalı kuantum makine öğrenmesinin daha duyarlı sonuç verdiği tespit edilmiştir. Algoritmalar ile ilgili kaynak kodlar Github’ta bulunmaktadır.

Journal of Advanced Research in Natural and Applied Sciences•May 30, 2019•0 citations

Kuantum Uyarlamalı Genetik Algoritmalar için Çözüm Kalitesini Artıracak Yeni Bir Yaklaşım

Hasan Yetış, Mehmet Karaköse

Günümüzde kullanımları oldukça kısıtlı olan kuantum bilgisayarlar, sahip oldukları hesaplama gücü potansiyelleri sebebiyle birçok araştırma alanı için heyecan verici olarak karşılanmaktadır. Kuantum bilgisayarların yanında, süper pozisyon ve dolanıklık gibi kuantum hesaplamada kullanılan terimler de klasik algoritmalara uyarlanarak mevcut yöntemlerin kuantum uyarlamaları geliştirilmektedir. Bu çalışmada kuantum uyarlamalı genetik algoritmalar ile elde edilen çözümün kalitesini artırmak adına yeni bir yaklaşım önerilmiştir. Önerilen yaklaşım, kuantum popülasyonun gözlemlenmesi ve çözüm adayının elde edilmesi işlemini, önceki çözümlerin uygunluğunu da hesaba katarak gerçekleştirmektedir. Önerilen yaklaşım ile gözlem işlemi sonucunda daha iyi çözümün elde edilme olasılığının artırılması amaçlanmıştır. Önerilen yaklaşımın, yakınsama hızını arttığı ve çözüm kalitesinde yaklaşık 12% civarında bir iyileşme sağladığı deneysel çalışmalar ile gösterilmiştir. Gerçekleştirilen çalışma, mevcut optimizasyon yöntemini daha verimli hale getirmesinin yanında, bu algoritmaların tamamen kuantum bilgisayarlarda çalışabilecek versiyonlarının geliştirilmesi aşaması için de büyük önem arz etmektedir.

Fırat Üniversitesi Mühendislik Bilimleri Dergisi•Feb 15, 2021•5 citations

Yapı Mühendisliğinde Kuantum Hesaplama: Gelecek Uygulamalar İçin Teorik Bir Çerçeve

Filiz Kolcu

Kuantum hesaplama, karmaşık hesaplama problemlerini ele almak için devrim niteliğinde bir yaklaşım sunmakta ve yapı mühendisliği alanını dönüştürme potansiyeline sahiptir. Bu çalışma, kuantum algoritmalarının—özellikle Grover algoritması (Grover, 1996), Varyasyonel Kuantum Özdeğer Çözücüsü (VQE) (Peruzzo et al., 2014) ve Kuantum Yaklaşık Optimizasyon Algoritması (QAOA) (Farhi, Goldstone & Gutmann, 2014) klasik yapısal analiz ve tasarım yöntemleriyle ilişkili sınırlamaların aşılmasındaki olası rolünü ve teorik temellerini incelemektedir. Çalışmada, kuantum hesaplamanın sonlu elemanlar analizi ve optimizasyon süreçlerine entegrasyonu için kavramsal bir çerçeve sunulmakta; veri kodlama, hibrit mimariler gibi temel teknik zorluklar ele alınmakta ve gelecekteki araştırmalar için umut verici yönler ortaya konulmaktadır. Bu çalışma, kuantum destekli yapısal tasarımın gelecekteki pratik uygulamaları için bir temel oluşturmayı amaçlamaktadır.

Özgür Yayınları eBooks•Mar 19, 2026•0 citations

Makine Öğrenmesi Yöntemlerinde Yüksek Başarım için Kuantum Bilgisayar ve Hesaplamanın Kullanımı

Hasan Yetış, Mehmet Karaköse

Günümüzde yüksek hesaplama gücü gerektiren makine öğrenmesi yöntemlerinin artmakta olan performans ihtiyaçlarını karşılamak için çok çekirdekli, çok işlemcili ve grafik işlemcili bilgisayarlar kullanılmaktadır. Bu teknolojiler yöntemlerin hızlanmasını sağlasa da, pratik bir şekilde gerçekleştirilip geliştirilmesi için yeterli değillerdir. Bu çalışmada henüz laboratuvar ortamında uygulamaları başlanan kuantum bilgisayarların ve kuantum hesaplama yöntemlerinin makine öğrenmesi yöntemleri üzerinde mevcut ve potansiyel kullanımları ele alınmaktadır. Kuantum bilgisayar ve hesaplamanın makine öğrenmesi yöntemlerinde kullanımı, kuantum uyarlamalı algoritmalar, hibrit kuantum algoritmalar ve kuantum algoritmalar olmak üzere üç başlıkta ele alınmıştır. Günümüzde kuantum hesaplamanın avantajlarından yararlanarak mevcut yöntemlerin iyileştirmesini sağlayan kuantum uyarlamalı algoritmalar yaygın olarak uygulanmaktadır. Alt iş parçacıklarının kuantum bilgisayarlara yaptırılmasını amaçlayan hibrit kuantum sistemler ile hızlanmalar elde edilmektedir. Tamamen kuantum bilgisayarlarda çalışan makine öğrenmesi yöntemleri için ise kuantum bilgisayarların sahip oldukları donanımsal dezavantajların ortadan kaldırılması ve daha çok kuantum yöntem geliştirilmesi gerekmektedir. Genel olarak yapılan çalışmalar, kuantum bilgisayarların hafıza probleminin çözülmesi ile makine öğrenmesi alanında çığır açıcı gelişmeler olacağı görüşündedir.

Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi•Jun 28, 2021•3 citations

Finans, Muhasebe ve Denetimde Kuantum Bilgisayar Uygulamaları

Elif ULUCENK

Kuantum bilgisayar teknolojileri, finans ve muhasebe alanlarında klasik yöntemlerin ötesinde hız, doğruluk ve güvenlik avantajları sunmaktadır. Bu çalışmada, kuantum bilgisayarların finansal risk yönetimi, portföy optimizasyonu, ödeme ve takas sistemleri, makroekonomik modelleme ile yapay zekâ entegrasyonu alanlarındaki uygulamaları incelenmiş; ayrıca muhasebe ve denetim süreçlerindeki potansiyel katkıları ele alınmıştır. Kuantum algoritmalarının sağladığı işlem hızlanması, paralel veri işleme kapasitesi ve kuantum kriptografi ile veri güvenliği, finansal sistemlerin daha etkin ve güvenli bir şekilde yönetilmesine imkân tanımaktadır. Çalışma, kuantum teknolojilerinin finans ve muhasebe uygulamalarında mevcut ve gelecekteki potansiyel faydalarını ortaya koyarak, bu alandaki araştırma boşluklarına dikkat çekmektedir.

Karadeniz Ekonomi Araştırmaları Dergisi•Jul 30, 2026•0 citations
Bu çalışma, klasik ve kuantum hesaplama paradigmalarındaki makine öğrenimi algoritmalarının performansını karşılaştırmayı amaçlamaktadır. Özellikle, Destek Vektör Makineleri (SVM) üzerinde durarak, klasik SVM ile kuantum donanımı üzerinde çalıştırılan Kuantum Destek Vektör Makineleri (QSVM)’nin Iris veri seti üzerindeki sınıflandırma başarısını değerlendirmekteyiz. Kullanılan metodoloji, Qiskit kütüphanesi ile gerçekleştirilen kapsamlı deneyler serisini ve hiperparametre optimizasyonunu içermektedir. Elde edilen sonuçlar, belirli durumlarda QSVM'lerin klasik SVM'lerle rekabet edebilecek düzeyde doğruluk sağladığını, fakat çalışma sürelerinin şu an için daha uzun olduğunu göstermektedir. Ayrıca, kuantum hesaplama kapasitesinin ve paralellik derecesinin arttırılmasının, kuantum makine öğrenimi algoritmalarının performansını önemli ölçüde iyileştirebileceğini belirtmekteyiz. Bu çalışma, kuantum çağında makine öğrenimi uygulamalarının mevcut durumu ve gelecekteki potansiyeli hakkında değerli içgörüler sunmaktadır. Colab: https://t.ly/QKuz0
Kuantum bilgisayarların gelişimiyle, kuantum makine ögrenimi yöntemlerinin araştırılması ve geliştirilmesi daha da önem kazanmıştır. Bu tez çalışmasında klasik makine ögrenimi algoritmalarından biri olan çekirdek fonksiyonları, kuantum bilgisayarlarda uygulanması, algoritmanın yeni bir makine ögrenmesi yöntemi sunabilirliği ve sonuçları üzerinde durulmaktadır. Kauntum çekirdek temelli destek vektör makinesi ile bir model hazırlanmış ve Parkinson Hastalıgı veri seti üzerinde eğitim ve testler yapılmıştır. Kuantum çekirdek için 6 kubit ve daha önceki çalışmalarda kullanılan öznitellik setleri kadar kubit ile kuantum devreler kurulup, eğitimler gerçekleştirilmiştir. Sonuçlar klasik çekirdekli destek vektör makinelerinin sonuçları ile karşılaştırılmıştır. Karşılaştırma sonucunda, kuantum hesaplamanın üstün özelliklerinden dolayı çekirdek tahminlerinde daha iyi performans gösterdigi görülmüştür.
Bu çalışmada kişilerin satın alma davranışları sürekli-değişken modele dayalı gözetimli kuantum makine öğrenmesi ile incelenmiştir. Bu bağlamda, örnek veriler bulut ortamından alınmaktadır. Bu verilerin %75’inin eğitim ve %25’inin test verisi olarak, homojen bir şekilde ayrılması sağlanmıştır. Ayrılan test verisinin eğitim işleminde kullanılmamasına, öğrenme işleminin sağlıklı gerçekleştirilmesi için dikkat edilmiştir. Sonrasında bu verilerdeki bağımsız değişkenler arasındaki uyumun sağlanması için normalizasyon işlemi gerçekleştirilmiştir. Böylece öğrenme işlemi için hazır hale gelen veriler, sürekli değişken modele dayalı varyasyonel devre üzerinde gerçekleştirilen gözetimli kuantum makine öğrenme algoritmasında kullanılmıştır. Ayrıca bu veriler klasik destek vektör makine öğrenme algoritması ile de simüle edilmiştir. Hem kuantum hem de klasik makine öğrenme algoritmalarına ait çapraz tahmin matrisleri ve alıcı işletim karakteristiği (AİK) eğrileri elde edilmiştir. Son olarak veri kümesindeki test verisi haricinde örnek değerler girilerek, sonuçlar metinsel ve görsel olarak görüntülenmiştir. Elde edilen sonuçların karşılaştırılması sonucunda ise sürekli değişken modele dayalı kuantum makine öğrenmesinin daha duyarlı sonuç verdiği tespit edilmiştir. Algoritmalar ile ilgili kaynak kodlar Github’ta bulunmaktadır.
Günümüzde kullanımları oldukça kısıtlı olan kuantum bilgisayarlar, sahip oldukları hesaplama gücü potansiyelleri sebebiyle birçok araştırma alanı için heyecan verici olarak karşılanmaktadır. Kuantum bilgisayarların yanında, süper pozisyon ve dolanıklık gibi kuantum hesaplamada kullanılan terimler de klasik algoritmalara uyarlanarak mevcut yöntemlerin kuantum uyarlamaları geliştirilmektedir. Bu çalışmada kuantum uyarlamalı genetik algoritmalar ile elde edilen çözümün kalitesini artırmak adına yeni bir yaklaşım önerilmiştir. Önerilen yaklaşım, kuantum popülasyonun gözlemlenmesi ve çözüm adayının elde edilmesi işlemini, önceki çözümlerin uygunluğunu da hesaba katarak gerçekleştirmektedir. Önerilen yaklaşım ile gözlem işlemi sonucunda daha iyi çözümün elde edilme olasılığının artırılması amaçlanmıştır. Önerilen yaklaşımın, yakınsama hızını arttığı ve çözüm kalitesinde yaklaşık 12% civarında bir iyileşme sağladığı deneysel çalışmalar ile gösterilmiştir. Gerçekleştirilen çalışma, mevcut optimizasyon yöntemini daha verimli hale getirmesinin yanında, bu algoritmaların tamamen kuantum bilgisayarlarda çalışabilecek versiyonlarının geliştirilmesi aşaması için de büyük önem arz etmektedir.
Kuantum hesaplama, karmaşık hesaplama problemlerini ele almak için devrim niteliğinde bir yaklaşım sunmakta ve yapı mühendisliği alanını dönüştürme potansiyeline sahiptir. Bu çalışma, kuantum algoritmalarının—özellikle Grover algoritması (Grover, 1996), Varyasyonel Kuantum Özdeğer Çözücüsü (VQE) (Peruzzo et al., 2014) ve Kuantum Yaklaşık Optimizasyon Algoritması (QAOA) (Farhi, Goldstone & Gutmann, 2014) klasik yapısal analiz ve tasarım yöntemleriyle ilişkili sınırlamaların aşılmasındaki olası rolünü ve teorik temellerini incelemektedir. Çalışmada, kuantum hesaplamanın sonlu elemanlar analizi ve optimizasyon süreçlerine entegrasyonu için kavramsal bir çerçeve sunulmakta; veri kodlama, hibrit mimariler gibi temel teknik zorluklar ele alınmakta ve gelecekteki araştırmalar için umut verici yönler ortaya konulmaktadır. Bu çalışma, kuantum destekli yapısal tasarımın gelecekteki pratik uygulamaları için bir temel oluşturmayı amaçlamaktadır.
Günümüzde yüksek hesaplama gücü gerektiren makine öğrenmesi yöntemlerinin artmakta olan performans ihtiyaçlarını karşılamak için çok çekirdekli, çok işlemcili ve grafik işlemcili bilgisayarlar kullanılmaktadır. Bu teknolojiler yöntemlerin hızlanmasını sağlasa da, pratik bir şekilde gerçekleştirilip geliştirilmesi için yeterli değillerdir. Bu çalışmada henüz laboratuvar ortamında uygulamaları başlanan kuantum bilgisayarların ve kuantum hesaplama yöntemlerinin makine öğrenmesi yöntemleri üzerinde mevcut ve potansiyel kullanımları ele alınmaktadır. Kuantum bilgisayar ve hesaplamanın makine öğrenmesi yöntemlerinde kullanımı, kuantum uyarlamalı algoritmalar, hibrit kuantum algoritmalar ve kuantum algoritmalar olmak üzere üç başlıkta ele alınmıştır. Günümüzde kuantum hesaplamanın avantajlarından yararlanarak mevcut yöntemlerin iyileştirmesini sağlayan kuantum uyarlamalı algoritmalar yaygın olarak uygulanmaktadır. Alt iş parçacıklarının kuantum bilgisayarlara yaptırılmasını amaçlayan hibrit kuantum sistemler ile hızlanmalar elde edilmektedir. Tamamen kuantum bilgisayarlarda çalışan makine öğrenmesi yöntemleri için ise kuantum bilgisayarların sahip oldukları donanımsal dezavantajların ortadan kaldırılması ve daha çok kuantum yöntem geliştirilmesi gerekmektedir. Genel olarak yapılan çalışmalar, kuantum bilgisayarların hafıza probleminin çözülmesi ile makine öğrenmesi alanında çığır açıcı gelişmeler olacağı görüşündedir.
Kuantum bilgisayar teknolojileri, finans ve muhasebe alanlarında klasik yöntemlerin ötesinde hız, doğruluk ve güvenlik avantajları sunmaktadır. Bu çalışmada, kuantum bilgisayarların finansal risk yönetimi, portföy optimizasyonu, ödeme ve takas sistemleri, makroekonomik modelleme ile yapay zekâ entegrasyonu alanlarındaki uygulamaları incelenmiş; ayrıca muhasebe ve denetim süreçlerindeki potansiyel katkıları ele alınmıştır. Kuantum algoritmalarının sağladığı işlem hızlanması, paralel veri işleme kapasitesi ve kuantum kriptografi ile veri güvenliği, finansal sistemlerin daha etkin ve güvenli bir şekilde yönetilmesine imkân tanımaktadır. Çalışma, kuantum teknolojilerinin finans ve muhasebe uygulamalarında mevcut ve gelecekteki potansiyel faydalarını ortaya koyarak, bu alandaki araştırma boşluklarına dikkat çekmektedir.