KUANTUM HESAPLAMA TABANLI YAPAY ZEKA ALGORİTMALARININ GELİŞTİRİLMESİ

Abstract

Kuantum hesaplama günümüzde etkinliği kanıtlanmış, klasik hesaplamaya göre çok zorlu problemleri çözme potansiyeline sahip, kuantum mekaniğini temel alan bir hesaplama paradigmasıdır. Yapay zeka insan kabiliyetlerine sahip sistemlerin geliştirilmesini amaçlamaktadır. Yapay zeka sistemlerinin iyileştirilmesinin önündeki engellerden biri ihtiyaç duydukları yüksek hesaplama gücüdür. Tez çalışmasında, kuantum hesaplamanın sağladığı avantajların yapay zeka yöntemlerinde kullanılması araştırılmıştır. Yapılan araştırmalar sonucu elde edilen temel bilimsel katkılar; kuantum uyarlamalı optimizasyon algoritmalarının iyileştirilmesi, kuantum verilerin optimize bir şekilde kodlanması, görüntülerin kuantum ortamda paralel şekilde işlenmesi ve derin öğrenme için kuantum konvolüsyon/havuzlama yöntemlerinin geliştirilmesi alanlarında sağlanmıştır. Kuantum uyarlamalı genetik algoritmalar için önerilen yaklaşımın orijinal yönteme göre yaklaşık %12 oranında daha iyi çözüm elde ettiği gözlemlenmiştir. Görüntü gibi büyük verilerin optimize bir şekilde kodlanması için önerilen kuantum veri kodlama yöntemi 4-bit çözünürlüğe sahip 4x4 boyutundaki örnek görüntü üzerinde test edilmiştir. Önerilen yöntemin ESOP yöntemine göre cost115 maliyeti açısından yaklaşık %57 daha iyi sonuç ürettiği görülmüştür. Derin öğrenme uygulamaları için geliştirilen değer tabanlı kuantum konvolüsyon ve havuzlama yöntemleri, önerilen kuantum paralel görüntü işleme çerçevesi yardımı ile tüm görüntü üzerinde klasik bilgisayarlara ihtiyaç duymadan çalıştırılabilmiştir. Yöntemin, klasik konvolüsyon işlemi ile birebir aynı sonuçları ürettiği gözlemlenmiştir. Ardından analog olarak kodlanan girişler kullanılarak klasik konvolüsyon işleminin modellenmesi için varyasyonel kuantum konvolüsyon yöntemi önerilmiştir. Oluşturulan Ansatz devrenin parametreleri diferansiyel gelişim algoritması ile optimize edilerek, klasik konvolüsyon işlemi 0.001 ortalama kare hata dahilinde başarı ile modellenmiştir. Sonuç olarak yapılan çalışmalarla kuantum hesaplamanın çeşitli yapay zeka algoritmalarında kullanılabilmesi adına optimize edilmiş yöntem önerilerinde bulunulmuştur. Klasik bilgisayarlara ihtiyaç duymadan kuantum bilgisayarların avantajlarının yapay zeka yöntemlerinde kullanılabildiği görülmüştür.Quantum computing is a computational paradigm based on quantum mechanics, which has proven effective today and has the potential to solve very difficult problems compared to classical computing. Artificial intelligence, on the other hand, aims to develop systems with human capabilities. One of the barriers to improving artificial intelligence systems is the high computing power they require. In the thesis study, the use of the advantages of quantum computing in artificial intelligence methods was investigated. The main scientific contributions obtained as a result of the research are the improvement of quantum-inspired optimization algorithms, quantum data encoding optimization, parallel processing of images in a quantum environment, and the development of quantum convolution/pooling methods for deep learning. It has been observed that the proposed approach for quantum-inspired genetic algorithms achieves a better solution by about 12% compared to the original method. The proposed quantum data coding method for the optimized encoding of large data such as images has been tested on a 4x4 sample image with 4-bit resolution. It has been observed that the proposed method produces approximately 57% better results in terms of cost115 compared to the ESOP method. Value-based quantum convolution and pooling methods developed for deep learning applications can be run on the whole image without the need for classical computers with the help of the proposed parallel image processing framework. It has been observed that the method produces exactly the same results as the classical convolution operation. Then, the variational quantum convolution method is proposed for modeling the classical convolution process using analog coded inputs. The parameters of the created Ansatz circuit were optimized with the differential evolution algorithm, and the classical convolution process was successfully modeled within 0.001 mean squared error. As a result, optimized method suggestions have been made for the use of quantum computing in various artificial intelligence algorithms. It has been seen that the advantages of quantum computers can be used in artificial intelligence methods without the need for classical computers.