Yapay zekânın bir parçası olan makine öğrenmesinde, büyük veriler diye tabir edilen yüksek miktarlardaki verilerin işlenmesi sonucunda veriler arasında anlamlı ilişkiler bulunmaya çalışılmaktadır. Gelişen teknolojiyle birlikte, kalitesi ve dolayısıyla boyutu artan verinin işlenmesi gün geçtikçe imkânsız hale gelmektedir. Bilim insanları tarafından böyle bir sorunun çözümünde kuantum sistemlerin etkisinden yararlanılarak geliştirilecek teknolojilerin faydalı olabileceği düşünülmektedir. Bu bağlamda; bu çalışmada öncelikle kuantum bilgisayarlar hakkında ve kuantum bilgisayarlarda sürekli-değişken model hakkında kısaca bilgi verilecektir. Daha sonra klasik makine öğrenimi çeşitleri ve bu çeşitlerdeki problemlere getirilen kuantumsal çözümler incelenerek kuantum programlama dilinde kodlama yapılarak kişilerin satın alma davranışlarının kuantum makine öğrenmesi ile tespit edilmesi örneği simüle edilecektir. Bu kuantum simülasyonunda elde edilen sonuçlar, klasik olarak elde edilen sonuçlar ile karşılaştırılacaktır.
Yapay zekânın bir parçası olan makine öğrenmesinde, büyük veriler diye tabir edilen yüksek miktarlardaki verilerin işlenmesi sonucunda veriler arasında anlamlı ilişkiler bulunmaya çalışılmaktadır. Gelişen teknolojiyle birlikte, kalitesi ve dolayısıyla boyutu artan verinin işlenmesi gün geçtikçe imkânsız hale gelmektedir. Bilim insanları tarafından böyle bir sorunun çözümünde kuantum sistemlerin etkisinden yararlanılarak geliştirilecek teknolojilerin faydalı olabileceği düşünülmektedir. Bu bağlamda; bu çalışmada öncelikle kuantum bilgisayarlar hakkında ve kuantum bilgisayarlarda sürekli-değişken model hakkında kısaca bilgi verilecektir. Daha sonra klasik makine öğrenimi çeşitleri ve bu çeşitlerdeki problemlere getirilen kuantumsal çözümler incelenerek kuantum programlama dilinde kodlama yapılarak kişilerin satın alma davranışlarının kuantum makine öğrenmesi ile tespit edilmesi örneği simüle edilecektir. Bu kuantum simülasyonunda elde edilen sonuçlar, klasik olarak elde edilen sonuçlar ile karşılaştırılacaktır.
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.
Günümüzde önemli çalışma alanlarından olan Makine öğrenmesi alanına ait bir problem olan hiper parametre optimizasyonu, model başarımlarına doğrudan etki etmektedir. Hiper parametre optimizasyonu ile makine öğrenmesi algoritmalarının başarımının pozitif yönde etkilendiği, karmaşık arama uzayına sahip olunan modellerde optimal zaman maliyeti sağlandığı yapılan çalışmalarda gözlemlenmiştir. Bu çalışma kapsamında bu probleme klasik, optimizasyon ve kuantum optimizasyon yöntemleri ile çözüm aranmıştır. Son yıllarda oldukça hız kazanan bir konu olan kuantum hesaplamanın makine öğrenmesi yöntemleri ile kullanımı ilgi görmektedir. Kuantum fiziği ve makine öğreniminin kesişme noktasında yer alan bu son teknolojik yaklaşım, klasik bilgisayarların işlemeyeceği büyüklükteki bilgiyi işlemek için kuantum mekaniğinin ilkelerinden yararlanmaktadır. Çalışmada yer alan hiper parametre optimizasyonu yöntemleri, Izgara, Rastgele ve Bayes arama; Genetik algoritma ve Parçacık sürü optimizasyonu, Kuantum genetik algoritma ve Kuantum parçacık sürü optimizasyonudur. Bu yöntemler kullanılarak klasik makine öğrenmesi algoritması olan Destek vektör makinesi ve kuantum özellikleri ile hibritleşmiş model olan Kuantum destek vektör makinesinin hiper parametreleri üzerinde deneyler yapılmıştır. Elde edilen sonuçlar ışığında Izgara arama yöntemi en iyi sonucu vermekle birlikte, optimizasyon yöntemleri de bu sonuca oldukça yakın bir başarım gösterdiği gözlemlenmiştir.
Kuantum hesaplama, son yıllarda bilgi işlem teknolojilerinde devrim yaratma potansiyeli ile dikkat çeken bir alan olarak öne çıkmaktadır. Geleneksel bilgisayarların sınırlarını aşan bu teknoloji, özellikle karmaşık problemlerin çözümünde benzersiz avantajlar sunmaktadır. Ancak, kuantum devrelerinin tasarımı ve optimizasyonu, bu alanda çalışan araştırmacılar için önemli zorluklar oluşturmaktadır. Bu tez çalışması, kuantum hesaplama modellerinde tersine bilir kuantum devrelerinin optimizasyonu için yapay zekâ tabanlı yenilikçi yöntemler geliştirmeyi amaçlamaktadır. Çalışma üç temel bileşen üzerine inşa edilmiş olup, kuantum devrelerinin analizinden optimizasyonuna ve klasik devrelere dönüşümüne kadar kapsamlı bir yaklaşım sunmaktadır. Birinci aşamada, kuantum devrelerinin otomatik tanınması ve sınıflandırılması için piksel tabanlı bir görüntü işleme yöntemi geliştirilmiştir. MATLAB Simulink ortamında 3-7 girişli ve 1-8 kapılı 9.250 devreden oluşan kapsamlı bir veri seti üzerinde KNN algoritması uygulanmış ve %99.94 gibi olağanüstü bir doğruluk oranı elde edilmiştir. Bu yöntem, kuantum devrelerinin hızlı ve yüksek doğrulukla analiz edilmesinde etkili bir çözüm sunmuştur. İkinci bileşende, kuantum devrelerin klasik lojik devrelere dönüşümüne yönelik iki farklı metodoloji geliştirilmiştir. Quine-McCluskey algoritması kullanılarak kuantum durum tablolarından türetilen Boolean fonksiyonları, MATLAB Simulink'te gerçekleştirilen klasik devrelerle %100 uyumlu sonuçlar vermiştir. Paralel olarak, Karnaugh haritalama yöntemiyle 2-4 girişli kuantum devrelerin lojik devrelere dönüşümü sağlanmış ve bu yöntemin pratik uygulanabilirliği kanıtlanmıştır. Üçüncü ve son bileşende ise kuantum devre optimizasyonu için gelişmiş meta-sezgisel algoritmalar karşılaştırılmıştır. Geliştirilen adaptif genetik algoritma, 24 farklı karşılaştırma devresinde kapı sayısını %26.76 ve kuantum maliyetini %12.88 oranında azaltarak önemli bir başarı elde etmiştir. Ayrıca, ACO, PSO, ABC ve GA yöntemlerinin kapsamlı karşılaştırması sonucunda, ACO'nun 2.39 standart sapma ile en istikrarlı ve yüksek performanslı algoritma olduğu tespit edilmiştir. Bu tez çalışması, görüntü işleme tabanlı yüksek doğruluklu devre tanıma sistemi, kuantum-klasik devre dönüşümü için Quine-McCluskey ve Karnaugh tabanlı metodolojiler ile meta-sezgisel algoritmalarla kanıtlanmış optimizasyon teknikleri gibi özgün katkılar sunmaktadır. Elde edilen sonuçlar, kuantum hesaplamanın pratik uygulamalarına yönelik önemli bir altyapı sağlamakta ve gelecekteki araştırmalar için yol gösterici nitelik taşımaktadır. Bu çalışma, TÜBİTAK tarafından 121E439 numaralı 1001 projesi ve Fırat Üniversitesi Bilimsel Araştırma Projeleri Birimi tarafından TEKF.24.03 numaralı FUBAP projesi kapsamında desteklenmiştir.
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.
Elektroensefalografi sinyalleri, sağlık sektöründen günlük yaşam aktivitelerinin analizine kadar geniş bir yelpazede uygulama alanı bulan, beyin aktivitelerini ölçen önemli biyomedikal veri kaynaklarıdır. Bu sinyaller, beyin dalgalarının elektriksel aktivitesini non-invaziv bir şekilde kaydederek, çeşitli nörolojik durumların ve bilişsel süreçlerin anlaşılmasına olanak tanır. EEG sinyallerinin ölçümü ve analizi, çeşitli makine öğrenmesi ve derin öğrenme teknikleri kullanılarak gerçekleştirilir. Bu tez çalışması, kuantum makine öğrenmesi tekniklerini kullanarak EEG sinyallerinin sınıflandırılmasındaki başarıyı analiz etmeyi hedeflemektedir. Kuantum makine öğrenmesi algoritmaları, kuantum hesaplama gücünü klasik makine öğrenmesi yöntemleriyle birleştirerek geliştirilen algoritmalardır. Tezin temel hipotezi, kuantum makine öğrenmesi algoritmalarının hız ve doğruluk açısından klasik algoritmaları geride bırakabileceği yönündedir. Tez kapsamında, ilk olarak EEG göz durumu veri seti üzerinde kuantum destekli SVM ve klasik makine öğrenme algoritmaları kullanılarak yapılan analizler sunulmuş ve kuantum tabanlı sınıflandırma algoritmalarının etkinliği ortaya konulmuştur. Yapılan ikinci çalışmada, EEG şizofreni veri seti kullanılarak çeşitli özellik haritalarının QSVM algoritmasının sınıflandırma başarısı üzerine etkisi incelenmiştir. Bu çalışma Pauli X özellik haritası için tüm kübit sayılarında %100 başarıma ulaşmıştır. Tez kapsamında gerçekleştirilen son çalışmada ise LieWaves veri setinde farklı parametrik kuantum devrelerinin kullanıldığı VQC algoritmaları incelenmiştir. QSVM algoritmasının statevector ve Qasm simülatör ortamlarından performansı değerlendirilmiştir. Ayrıca QSVM ve VQC algoritmasında özellik haritaları ve VQC algoritmasında parametrik kuantum devreleri optimize edilmiştir. Elde edilen sonuçlar SVM algoritması ile karşılaştırılmış ve önerilen yöntemin klasik SVM algoritmasına göre daha yüksek performans gösterdiği görülmüştür. Tez kapsamında yapılan çalışmalar, gelişmekte olan bir alan olmasına rağmen kuantum makine öğrenme algoritmalarının, klasik makine öğrenme yöntemlerine göre üstün performans gösterebileceğini ortaya koymaktadır. Kuantum simülatör ortamlarının kullanımı nedeniyle hız açısından, klasik makine öğrenme algoritmalarına göre çalışma süreleri daha fazladır. Kuantum bilgisayarların aktif olarak kullanılması ile hız problemlerinin de çözüme ulaşacağı öngörülmektedir.
Kuantum teorisi, başlangıçta mikroskobik parçacıkların hareketlerini tanımlamak için fiziksel bir teori olarak önerilmiş daha sonra kuantum benzeri özellikler sergileyen, insan bilişi ve karar verme sürecini içeren çeşitli fizik dışı alanlara uygulanmıştır. Bu alanlardan biri de duygu analizidir. Duygu Analizi, insanların bir duruma, olaya veya konuşmaya karşı duygu veya tutumlarının incelenmesini sağlayan Doğal Dil İşlemenin en popüler uygulamalarından biridir. Literatürdeki birçok çalışma film yorumları ve Twitter verileri üzerinde çalışmaktadır. Sağlık verileri üzerinden duygu analizi gerçekleştiren çalışma yok denecek kadar azdır. Bu tez kapsamında sağlık verileri üzerinden duygu analizi gerçekleştirmek amacıyla klasik ve kuantum hesaplama kullanan derin öğrenme tabanlı yeni yöntemler önerilmiştir. Önerilen yöntemlerden ilki LSTM derin öğrenme modeli kullanarak sağlık alanındaki karşılıklı görüşmelerden duygu analizi ile olumlu, nötr ve olumsuz olarak üç kutuplu bir sınıflandırma yapmıştır. Kullanılan bu yöntemde öncelikle model eğitimine yönelik veriler metin işleme yöntemleriyle hazır hale getirildi ve LSTM derin öğrenme algoritmasıyla hazırlanan veri seti ile model eğitildi. Eğitim sonucunda başarı oranı %94 olarak hesaplandı. Elde edilen başarı oranı Literatürde incelenen çalışmalar ile karşılaştırılınca önerilen yöntemin başarı yüzdesi oldukça yüksektir. Önerilen yöntemlerden bir diğeri, hastanelerle ilgili hastaların incelemelerine yönelik duygu analizi gerçekleştirilmiştir. Hastaların tıbbi incelemeleri tıbbi yönetim departmanı için oldukça önemlidir. Hasta değerlendirmelerinin olumlu veya olumsuz olarak sınıflandırmak için dört sinir modeli geliştirildi. Öncelikle çevrimiçi alınan veriler ön işleme tabi tutuldu. Daha sonra sinirsel eğitim gerçekleştirmek amacıyla Skipgram kelime yerleştirme kullanıldı en son olarak eğitim gerçekleştirildi. Eğitim aşamalarının ardından %85 üzerinde performansla en iyi başarı puanına sahip iki model LSTM- CNN ve LSTM mimarileri oldu. Önerilen yöntemlerden sonuncusu doktor-hasta diyaloglarından oluşan metinlerin içerdiği duyguların pozitif-nötr-negatif olarak sınıflandırılması amacıyla kuantum hesaplama ve derin öğrenmede kullanılan LSTM yinelemeli sinir ağı modeli kullanılmıştır. Önerilen yöntemin başarı oranı %94,52' dir. Kuantum Hesaplama yöntemi programların işletilmesinde zaman açısından kritik rol almaktadır. Bu yüzden önerilen yöntemin diğer alandaki çalışmalar için de klasik-kuantum hibrit yönteminin öncülük edeceği düşünülmektedir.