Dinamik sistemlerin kuantum sinir ağlarıyla analizi
Yükleniyor...
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
T.C. Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Recently, proposed algorithms for quantum computing and generated quantum computer technologies continue to evolve. On the other hand, machine learning has become anessential method for solving many problems such as computer vision, natural languageprocessing, prediction and classification. Quantum machine learning is a new field developed by combining the advantages of these two primary methods. As a hybrid approach to quantum and classical computing, variational quantum circuits are a form of machine learning that allows predicting an output value against input variables. In this study, the effects of superposition and entanglement on weather forecasting, were investigated using a variational quantum circuit model when the dataset size is small. The use of the entanglement layer between the variational layers has made significant improvements on the circuit performance. The use of the superposition layer before the data encoding layer resulted in the use of less variational layers.
Günümüzde kuantum hesaplama için önerilen algoritmalar ve üretilen kuantum bilgisayar teknolojileri gelişmeye devam etmektedir. Diğer taraftan makine öğrenmesi bilgisayarlı görü, doğal dil işleme, tahmin, sınıflandırma gibi, birçok problemin çözümü için başvurulan önemli yöntemlerden biri haline gelmiştir. Kuantum makine öğrenmesi, bu iki temel yöntemin avantajlı taraflarının birleştirilmesiyle geliştirilen yeni bir alandır. Kuantum ve klasik hesaplamaların hibrit bir yaklaşımı olarak varyasyonel kuantum devreleri, girdi değişkenlerine karşılık bir çıktı değerinin tahmin edilmesini sağlayan makine öğrenmesi formundadır. Bu çalışmada, süper pozisyonun ve dolaşıklığın etkileri, veri kümesi boyutunun küçük olması durumunda, varyasyonel kuantum devre modeli ile hava durumu tahmini araştırılmıştır. Varyasyonel katmanlar arasında dolaşıklık katmanının kullanılması devre performansı üzerinde önemli bir etkiye sahip olduğu görülmüştür. Başlangıçta süperpozisyon katmanının kullanılması daha az sayıda varyasyonel katman kullanmamıza olanak sağlamıştır.
Günümüzde kuantum hesaplama için önerilen algoritmalar ve üretilen kuantum bilgisayar teknolojileri gelişmeye devam etmektedir. Diğer taraftan makine öğrenmesi bilgisayarlı görü, doğal dil işleme, tahmin, sınıflandırma gibi, birçok problemin çözümü için başvurulan önemli yöntemlerden biri haline gelmiştir. Kuantum makine öğrenmesi, bu iki temel yöntemin avantajlı taraflarının birleştirilmesiyle geliştirilen yeni bir alandır. Kuantum ve klasik hesaplamaların hibrit bir yaklaşımı olarak varyasyonel kuantum devreleri, girdi değişkenlerine karşılık bir çıktı değerinin tahmin edilmesini sağlayan makine öğrenmesi formundadır. Bu çalışmada, süper pozisyonun ve dolaşıklığın etkileri, veri kümesi boyutunun küçük olması durumunda, varyasyonel kuantum devre modeli ile hava durumu tahmini araştırılmıştır. Varyasyonel katmanlar arasında dolaşıklık katmanının kullanılması devre performansı üzerinde önemli bir etkiye sahip olduğu görülmüştür. Başlangıçta süperpozisyon katmanının kullanılması daha az sayıda varyasyonel katman kullanmamıza olanak sağlamıştır.
Açıklama
Anahtar Kelimeler
Kuantum hesaplama, Makine öğrenmesi, Hava durumu tahmini, Varyasyonel kuantum devreleri, Hibrid kuantum-klasik sinir ağları, Quantum computing, Machine learning, Weather forcasting, Variational quantum circuit, Hybrid quantum-classic neural network
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Oğur, B. (2023). Dinamik sistemlerin kuantum sinir ağlarıyla analizi / Analysis of dynamic systems with quantum neural networks. (Yayımlanmamış Doktora Tezi). Maltepe Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.
