KUANTUM HESAPLAMA MODELLERİNİN DERİN ÖĞRENME KULLANILARAK OTOMATİK ÜRETİMİ

Abstract

Kuantum hesaplama klasik hesaplamaya göre düşük enerji ile yüksek hesaplama gücü sunan, performansını kanıtlamış ve yüksek potansiyel sunan bir hesaplama paradigmasıdır. Bu avantajların kullanılabilmesine yönelik yoğun araştırmalar yapılsa da aktif kullanılmasının önünde hem donanımsal hem yazılımsal engeller bulunmaktadır. Tez çalışmasında, kuantum hesaplamanın sunduğu potansiyel ve avantajlardan daha fazla yararlanabilmek için araştırmalar yapılmıştır. Bu araştırmalarda süper pozisyon ve dolanıklık özellikleri, klasik verileri kuantum ortama aktarmak için veri kodlama yöntemleri, kuantum hesaplama simülatörleri, kuantum devre oluşturma yöntemleri, kuantum devre ve kod optimizasyon yöntemleri, kuantum üniter matrisi kuantum devre ve koda dönüştürme yöntemleri incelenmiştir. Yapılan araştırmalar ve incelemeler sonucu elde edilen temel bilimsel katkılar; klasik verileri kuantum ortama aktarmak için süper pozisyon özelliğini kullanan verimli bir veri kodlama yöntemi, derin takviyeli öğrenme için verimli ve ölçeklendirilebilir kuantum devre tasarımı, kuantum devre ve kod tasarımını kolaylaştıracak verimli bir kuantum hesaplama simülatörü, kuantum devre ve kod veri seti oluşturan yöntem ve derin öğrenme tabanlı otomatik kuantum hesaplama modeli oluşturan yöntemlerin geliştirilmesi alanlarında sağlanmıştır. Derin takviyeli öğrenme için önerilen verimli ve ölçeklenebilir devre tasarımında az kübit sayısıyla kabul edilebilir seviyede başarı oranlarına ulaşılmıştır. Ayrıca diğer yöntemlere göre devrenin kübit sayısının, parametre sayısından bağımsız olarak eylem kümesi eleman sayısı kadar olması garantilenmiştir. Önerilen kuantum hesaplama simülatöründe, diğer simülatörlere göre tasarım ve kod aşamasında %91.5'lik verimlilik elde edilmiştir. Kuantum devre ve kod veri seti oluşturan yöntem ile istenilen kübit sayısı ve derinliğe göre kuantum devrelerin doğruluk tablosu, TFC kodları, kuantum üniter matrisleri ve kuantum devre görselleri %100 doğruluk ve başarı oranı ile üretilmiştir. Derin öğrenme tabanlı otomatik kuantum hesaplama modeli oluşturan yöntemde doğruluk tablosundan kuantum üniter matrise dönüştüren derin öğrenme modeli ve üniter matrisi kuantum hesaplama modeline dönüştüren sistem ile %100 başarı oranı elde edilmiştir. Sonuç olarak yapılan çalışmalarla kuantum hesaplamanın potansiyeli ve avantajlarını kullanmak için çeşitli alanlarda önerilerde bulunulmuştur. Klasik hesaplamalarda kullanılan devre, doğruluk tablosu ve algoritmaların, kuantum devre ve koda dönüştürülebileceği görülmüştür.Quantum computing offers high power with low energy compared to classical computing, demonstrating proven performance and significant potential. Despite extensive research to leverage these advantages, obstacles exist in both hardware and software for their active use. The thesis study is dedicated to exploring ways to harness the full potential and advantages presented by the quantum computing paradigm. The research delves into various aspects, including the properties of superposition and entanglement, methods for encoding classical data into the quantum environment, the development of quantum computing simulators, creation techniques for quantum circuits, optimization methods for both quantum circuits and code, and the conversion of quantum unitary matrices into quantum circuits and code. The main scientific contributions obtained as a result of the research and investigations include an efficient data coding method that uses the superposition feature to transfer classical data to the quantum environment, an efficient and scalable quantum circuit design for deep reinforcement learning, an efficient quantum computing simulator that will facilitate quantum circuit and code design, It has been provided in the areas of methods that create quantum circuit and code data sets and development of methods that create deep learning-based automatic quantum computation models. The proposed efficient and scalable circuit design for deep reinforcement learning has demonstrated commendable success rates even with a low number of qubits. Furthermore, in contrast to alternative methods, the number of qubits in the circuit ensures the number of elements in the action set, irrespective of the number of parameters. The proposed quantum computing simulator has achieved an impressive efficiency of 100% in both the design and code stages, outperforming other simulators in the comparison. The method for generating a quantum circuit and code dataset has achieved a 100% accuracy and success rate in producing truth tables for quantum circuits, TFC codes, quantum unitary matrices, and quantum circuit images, tailored to the specified number of qubits and depth. In the method for creating a deep learning-based automatic quantum computation model, a notable success rate of 94% was attained through the deep learning model that converts the truth table into a quantum unitary matrix, coupled with the system that transforms the unitary matrix into a quantum computation model. Consequently, various recommendations have been proposed across multiple domains to harness the potential and advantages of quantum computing. The thesis study has demonstrated the feasibility of converting classical circuits, truth tables, and algorithms used in classical computations into their quantum counterparts.