KUANTUM TABANLI BOYUT İNDİRGEME VE SINIFLANDIRICI GERÇEKLEŞTİRİLMESİ

Abstract

Geleneksel bilgisayar yapısından farklı bir mimariye sahip olan kuantum bilgisayar teknolojisi hızlı bir şekilde gelişme kaydetmektedir. Son yıllarda kuantum bilgisayarlara uygun programlar, hesaplama ortamları, gerekli algoritmaların hazırlanması noktasında oldukça ses getiren çalışmaların yapıldığı gözlenmektedir. Dünya genelinde bulunan sayılı kuantum bilgisayar araştırmacılara nasıl bir ortamla karşılaşacakları konusunda genel bilgiler sağlamaktadır. Bu kuantum bilgisayarlar ve simülasyon ortamlarından faydalanarak araştırmacılar güncel çalışmalarına yön verebilmektedir. Bu tez çalışmasında kuantum hesaplama ile yapay zekânın birleşimi olan kuantum makine öğrenmesi ve algoritmaları üzerine kapsamlı çalışmalar yapılmıştır. Bu çalışmalar genel olarak yapay zekâ alanında önemli olan boyut indirgeme ve sınıflandırma işlemlerini kapsamaktadır. Klasik sınıflandırma algoritmalarının aksine kuantım makine öğrenme algoritmalarının yürütülmesi aşamasında giriş verisinin hesaplama ortamlarına uygun olması gerekmektedir. Kuantum hesaplama ortamlarında kullanılan kübit boyutları sınırlı bir kaynak olduğundan dolayı boyut indirgeme yöntemleri bu alanda yaygın olarak kullanılmaktadır. Tez çalışmasında TBA ve LDA gibi klasik boyut indirgeme yöntemleri üzerine geniş ölçekli uygulamalar gerçekleştirilmiştir. Kuantum makine öğrenme algoritmaları için kardiyoloji, diyabet ve obezite tıbbı veri setleri kullanılmıştır. Bu verisetleri üzerinde farklı senaryolarda detaylı çalışmalar yürütülmüştür. Kullanılan veri setlerinde klasik boyut indirgeme yöntemleri kullanılarak özellik haritalarına verilmiş ve kübit kullanımına uygun veri setleri elde edilmiştir. Bu yeni veri setlerine kuantum makine öğrenmesi algoritması olan Kuantum Destek Vektör Makinesi (KDVM) uygulanmıştır. KDVM algoritmasının performansını değerlendirebilmek için klasik Destek Vektör Makinesi başta olmak üzere literatürde sıklıkla kullanılan klasik sınıflandırma algoritmaları ile analizler gerçekleştirilmiştir. Gerçekleştirilen analizlerde elde edilen sonuçlar performans ve zaman bakımından irdelenmiştir. Seçilen boyut indirgeme yöntemine göre KDVM algoritmasının performansına ait çeşitli metrikler sunulmuştur. Yapılan çalışmalar tıbbi veri setleri üzerinde klasik boyut indirgeme yöntemleri ve KDVM yaklaşımının umut verici sonuçlar elde ettiğini göstermiştir. Tez çalışması, kapsamlı uygulamalar ile kuantum makine öğrenmesi alanında önemli katkılar sunmaktadır.Quantum computing technology, with a different architecture from traditional computers, is rapidly advancing. In recent years, there have been remarkable efforts in developing programs suitable for quantum computers, computing environments, and preparing necessary algorithms. The limited accessibility to existing quantum computers leads researchers to extensively utilize quantum simulators in their analyses. These simulators also showcase performance variations. The choice of dimension reduction method, dataset size, and analysis environment are evidently significant factors influencing the execution process of studies. Ongoing developments in quantum programming manage to compete with classical methods despite existing limitations. This thesis extensively delves into the amalgamation of quantum computation and artificial intelligence, specifically focusing on quantum machine learning and algorithms. The study primarily encompasses pivotal dimension reduction and classification processes within the realm of artificial intelligence. Unlike classical classification algorithms, the input data for executing quantum machine learning algorithms needs to conform to computational environments. Due to the limited qubit sizes in quantum computing environments, dimension reduction methods are widely employed in this domain. This thesis conducts extensive applications concerning classical dimension reduction methods such as PCA and LDA. Medical datasets related to cardiology, diabetes, and obesity medicine were utilized for the quantum machine learning algorithms. Comprehensive studies were conducted under various scenarios on these datasets. Classical dimension reduction methods were applied to the datasets to create feature maps, generating datasets suitable for qubit usage. The Quantum Support Vector Machine (QSVM), a quantum machine learning algorithm, was implemented on these new datasets. To evaluate the performance of the QSVM algorithm, analyses were conducted with commonly used classical classification algorithms, including the classical Support Vector Machine, from the literature. The results obtained from the analyses were scrutinized in terms of performance and time. Various metrics pertaining to the performance of the QSVM algorithm were presented based on the chosen dimension reduction method. The conducted studies showcased promising results for classical dimension reduction methods and the QSVM approach on medical datasets. This thesis significantly contributes to the field of quantum machine learning through comprehensive applications.