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 çekirdek temelli sınıflandırma

GÖNÜL SABAH

Published Jun 30, 2022• 0 citations
OpenAlex

Abstract

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.

Related papers

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

Davut Emre Tasar, Kutan Koruyan, Ceren Öcal Taşar

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 teknolojileri ve enformatik araştırmaları dergisi.•Oct 30, 2023•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

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

Kuantum Fiziğinin Olasılıklı Yapısının Serbest Düşme Analojisi

Mustafa Erol, Mert Büyükdede

Klasik fiziğindeterminist yapısına karşılık kuantum teorisinin olasılıklı yapısı aslındaortaya çıktığı günden beri kuantum fiziğinin anlaşılmasını ve öğretilmesiniciddi şekilde zorlaştırmaktadır. Bu çalışmada olasılık kavramının daha iyianlaşılabilmesi için öncelikle genel anlamda olasılık kavramının kökeni üzerinefelsefi bir tartışma yapılmıştır. Daha sonra klasik fizikten çok iyi bilinenserbest düşme olayı için parçacığın bulunma olasılıklarının konuma ve zamanabağlı ifadeleri hesaplanarak sonuçlar kuantum teorisinin olasılıklı yapısıylakarşılaştırılmıştır. Karşılaştırma sonsuz potansiyel kuyusu ile serbest düşmeiçin hesaplanan olasılık yoğunlukları üzerinden analoji kurularakgerçekleştirilmiştir.

•Dec 26, 2017•0 citations

Kuantum bilgisayarları ve bazı uygulamalar

Mustafa Şahin

Kuantum bilgisayarları atom ve atom altı parçacıkların davranışlarından yararlanılarak laboratuvar ortamında geliştirilmeye çalışılmaktadır. Bu bilgisayarlar kübit adlandırılan iki seviyeli kuantum mekaniksel sistemleri bilgi depolama ve temel işlem birimi olarak kullanmaktadır. Klasik bitlere göre mümkün olmayan aynı anda iki durumu birden sergileyebilme kübitler için mümkündür ve bu durum hesaplamalarda kullanılabilmektedir. Bu özellik kuantum bilgisayarlara üstün işlem yeteneği kazandırmaktadır. Klonlanamama kübitlerin kopyasının alınmasını engellemekte ve kuantum bilgisayarların doğasına veri güvenliğini katmaktadır. Farklı yeteneklere sahip bu bilgisayarların kullanılabilmesi için programlanması ve neler yapması gerektiği söylenmelidir. Tezimde kuantum bilgisayarların üstün işlem yeteneklerinin kullanılmasına, mevcut kuantum algoritmalarının yazılmasına imkan sağlayan yeni bir kuantum programlama dili geliştirilmiştir.

•Jan 1, 2014•0 citations
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 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
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.
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.
Klasik fiziğindeterminist yapısına karşılık kuantum teorisinin olasılıklı yapısı aslındaortaya çıktığı günden beri kuantum fiziğinin anlaşılmasını ve öğretilmesiniciddi şekilde zorlaştırmaktadır. Bu çalışmada olasılık kavramının daha iyianlaşılabilmesi için öncelikle genel anlamda olasılık kavramının kökeni üzerinefelsefi bir tartışma yapılmıştır. Daha sonra klasik fizikten çok iyi bilinenserbest düşme olayı için parçacığın bulunma olasılıklarının konuma ve zamanabağlı ifadeleri hesaplanarak sonuçlar kuantum teorisinin olasılıklı yapısıylakarşılaştırılmıştır. Karşılaştırma sonsuz potansiyel kuyusu ile serbest düşmeiçin hesaplanan olasılık yoğunlukları üzerinden analoji kurularakgerçekleştirilmiştir.
Kuantum bilgisayarları atom ve atom altı parçacıkların davranışlarından yararlanılarak laboratuvar ortamında geliştirilmeye çalışılmaktadır. Bu bilgisayarlar kübit adlandırılan iki seviyeli kuantum mekaniksel sistemleri bilgi depolama ve temel işlem birimi olarak kullanmaktadır. Klasik bitlere göre mümkün olmayan aynı anda iki durumu birden sergileyebilme kübitler için mümkündür ve bu durum hesaplamalarda kullanılabilmektedir. Bu özellik kuantum bilgisayarlara üstün işlem yeteneği kazandırmaktadır. Klonlanamama kübitlerin kopyasının alınmasını engellemekte ve kuantum bilgisayarların doğasına veri güvenliğini katmaktadır. Farklı yeteneklere sahip bu bilgisayarların kullanılabilmesi için programlanması ve neler yapması gerektiği söylenmelidir. Tezimde kuantum bilgisayarların üstün işlem yeteneklerinin kullanılmasına, mevcut kuantum algoritmalarının yazılmasına imkan sağlayan yeni bir kuantum programlama dili geliştirilmiştir.