Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Image processing based on fundamental of quantum

Engin Şahin

Published Jan 1, 2019• 0 citations
OpenAlex

Abstract

Bu tezde, kuantum hesaplamanın üstün özellikleri ortaya konarak görüntü işleme konusunda sağladığı avantajlar ortaya konmaktadır. Kuantum temelli görüntü işleme için çok dalga boylu görüntülerin kuantum temsili QRMW modeli sunulmmuştur. QRMW modelinde kuantum durumların hazırlanışı ve kuantum durumdan görüntünün geri elde edilmesi açıklanmıştır. QRMW modelindeki görüntüler için sıkıştırma yöntemi önerilmiştir. Ayrıca QRMW modeli kullanılarak görüntüler üzerinde tüm ve kısmi renk işlemleri ile pozisyon işlemleri gerçekleştirilmiştir. QRMW modelindeki bir kuantum görüntüye, metin ve ikili görüntü gizli bilgilerinin gizlenmesi için bir steganografi algoritması önerilmiştir. Steganografi algoritmasında gizli bilgilerin taşıyıcı görüntüye nasıl gizlendikleri ve taşıyıcı görüntüden nasıl çıkarıldıkları gösterilmiştir. Ayrıca önerilen steganografi algoritması için simülasyon ve analizler yapılmıştır. Simülasyonlar ve analizler sonucunda elde edilen veriler literatürdeki diğer kuantum görüntü temsil modelleri ve kuantum steganografi algoritmaları ile karşılaştırılmış ve avantajlar/dezavantajlar ortaya konmuştur. Son olarak ise elde edilen sonuçlar sunulmuştur.

Related papers

Development of quantum computation based artificial intelligence algorithms

Hasan Yetış

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.

•Jan 1, 2022•0 citations

Post quantum cryptography

Veysel Gültekin

Kuantum bilgisayarların keşfi ile klasik kriptografi olarak adlandırdığımız ve günümüzde tüm kriptografik cihazlarda kullanılan kriptosistemlerin güvenliği tartışılır hale gelmiştir. Kuantum bilgisayarlardaki hızlı gelişme sonucunda kriptografideki çalışma alanı kuantum bilgisayarlara karşı güvenli sistemlerin tasarlanması ve analiz edilmesi yönünde değişmiştir. Shor Algoritması ile çarpanlara ayırma probleminin çözümünün üstel zamandan polinom zamana indirilmesiyle özellikle asimetrik kriptosistemler tehdit altına girmiştir. Günümüzde verilerin büyük çoğunluğu klasik kriptografide kullanılan anahtar anlaşma algoritmaları ile paylaşılan anahtar kullanılarak simetrik şifreleme algoritmaları ile şifreli olarak saklanmaktadır. Kuantum kriptografinin esas etkisi asimetrik kriptografiye olmasına rağmen simetrik şifreleme algoritmalarının anahtarları asimetrik kriptografi ile paylaşıldığı için tüm veriler kuantum tehtidinden etkilenmektedir. Özellikle şifrelenen verilerin geriye dönük olarak tutulabileceği göz önünde bulundurulursa ve yakın zamanda kuantum bilgisayların çarpanlara ayırma problemini etkili bir şekilde çözecek seviyeye gelmesi durumunda şu andan itibaren simetrik şifreleme algoritmaları ile şifrelenen veriler de ileride çözülebilecektir. İmza algoritmalarının etkilenmesi ise imzanın kimlik doğrulama mekanizmaları veya mesajın kaynağını doğrulamak gibi o ana ait bir kriptografik hizmeti sağladığı için daha kısıtlı olacaktır. Bu yüzden kuantum tehtidi için anahtar paylaşma probleminin çözümü imza probleminin çözümüne nazaran daha acil bir ihtiyaç olarak görülmektedir. Bu sebeplerle bu çalışmada kuantum sonrası kriptografinin anahtar paylaşma problemine getirdiği çözümler üzerinde durulacaktır. Burada bahsedilen her iki problem için de daha önceden AES'i blok şifreleme algoritması olarak bir yarışma aracılığıyla standartlaştıran NIST (Ulusal Standartlar ve Teknoloji Enstitüsü), standart bir algoritma seçmek için 2016 yılında bir yarışma başlatarak standart bir kuantum sonrası anahtar değişim algoritması ve imza algoritması seçme kararı almıştır. Bu süreçten sonra algoritma tasarımı ve analizi üzerine çalışmalar hızlanmıştır. Yarışmaya katılan algoritmalar dayandıkları zorluklara göre farklı gruplara ayrılabilir. Bunlar kafes tabanlı kriptosistemler, kod tabanlı kriptosistemler, isojeni tabanlı kriptosistemler, özet tabanlı kriptosistemler ve çok değişkenli polinom tabanlı kriptosistemlerdir. Bunların içinden en çok dikkat çeken ve üzerine çalışan homomorfik şifreleme gibi yapılarda da kullanılabilmesi itibariyle kafes tabanlı kriptosistemlerdir. Ayrıca yarışma neticesinde standart olarak seçilen Kyber Algoritması da kafes tabanlı bir anahtar değişim algoritmasıdır. Kod tabanlı kriptosistemler McEliece tarafından ortaya atılılmıştır ve asimetrik kriptografinin en eski problemlerinden biri olan kod çözme problemine dayanmaktadır. Anahtar boyutlarının büyük olması dezavantajından dolayı, kuantum tehditi ortaya çıkana kadar, görece az çalışılan bir alan olarak kalmıştır. Niederreiter kriptosisteminin ortaya çıkması ve anahtar boyutlarında iyileştirmeler yapılması ile kuantum sonrası anahtar değiştirme algoritmaları için önemli bir aday durumuna gelmişlerdir. Izojeni tabanlı algoritmalar klasik bilgisayarlarla kırılabilen bir saldırının ortaya çıkmasıyla riskli duruma düşmüştür. Her ne kadar NIST SIKE anahtar anlaşma algoritmasını alternatif algoritma adaylarına alsa da saldırı bu tarihten sonra ortaya çıktığı için kullanılması önerilmez ibaresi eklemiştir. Ayrıca bazı kriptosistemlerin analizi için üzerine yeterince çalışılmadığı düşünüldüğü için kuantum sonrası anahtar anlaşma algoritmalarının tek başına kullanılmasına şüpheyle bakılmaya başlanmıştır. Bu sebeple anahtar paylaşım problemini çözmek için kuantum sonrası algoritmalar, asimetrik kriptografi ve daha önce paylaşılmış ortak simetrik anahtarlardan en az iki tanesini kullanan hibrit anahtar paylaşım protokolleri de önerilmiştir. Bu çalışma kapsamında anahtar anlaşma problemini çözmek için geliştirilen önerilerden kabaca bahsedilecektir. Kafes tabanlı kriptosistemler ile Kod tabanlı kriptosistemlerin dayandıkları problemler ve bu problemler üzerine anahtar değişim mekanizmalarının nasıl kurulduğu anlatılacaktır. Ayrıca bazı analiz metotları anlatılarak standartta bulunan bazı algoritmaların güvenlik seviyeleri ve analizi hakkında bilgi verilecektir.

•Jan 26, 2023•0 citations

Artificial intelligence-based approaches for optimization of quantum circuits

Tuba Şanlı

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.

•Jan 1, 2025•0 citations

Development of deep learning based circuit analysis and fault detection methods in quantum computing models

Reyhan YILMAZ

Kuantum bilgisayarlar, karmaşık problemlerin üstesinden gelebilecek potansiyelinden dolayı son yıllarda yapılan çalışma sayısı hızla artmaktadır. Kuantum devreler kubitlerin bir araya gelmesi ile oluşmaktadır. Kombinasyonel devrelerde AND, OR, NAND, NOR, XOR ve XNOR gibi geleneksel kapılar kullanılırken kuantum devrelerde Feynman, Toffoli ve Fredkin kapıları kullanılmaktadır. Bu kapıların belirli giriş ve çıkışları vardır. Kuantum kapılar kullanılarak farklı giriş, çıkış ve kapı sayısına sahip kuantum devreler oluşturulmaktadır. Günümüzde kuantum devreler kullanılarak birçok uygulama alanında çalışmalar yapılmaktadır. Kuantum devre tasarımı yapılarak simülasyon programları üzerinden test edilmektedir. Test sırasında kuantum devreleri üzerinde hatalar oluşabilir ve doğruluk tablosu yanlış üretilebilmektedir. Bu tez çalışmasında kuantum devrelerde devre analizi ve hata tespiti için derin öğrenme tabanlı yöntemler geliştirilmiştir. Tez kapsamında üç temel noktada bilimsel katkı sunulmuştur. İlk olarak kuantum devrelerinin analiz edilmesi ve arıza tespiti için veri seti oluşturulmuştur. MATLAB2020A programı kullanılarak 9250 adet örnek "tfc" dosyaları oluşturulmuştur. Bu "tfc" dosyalarından "RCViewer" simülasyon programı kullanılarak kuantum devre şemaları elde edilmiştir. Kuantum devreler kapı ve giriş sayılarına göre etiketlenmiştir. Etiketlenen kuantum devrelerin analizi için kapı ve giriş tespiti yapılmıştır. YOLO algoritması kullanılarak kuantum devrelerinde kapı ve giriş sayıları hesaplanmıştır. Önerilen YOLO algoritması 2800 iterasyon çalıştırılmış ve eğitim-test verisi oranı 80:20 için %87.1 mAP elde edilmiştir. İkinci olarak derin öğrenme tabanlı modeller kullanılarak kuantum devrelerinde özellik çıkarımı ve Destek Vektör Makinesi ile giriş ve kapı sayısı tespit edilmiştir. AlexNet, DarkNet, GoogleNet, Vgg ve ResNet modelleri kullanılmış ve kuantum devre görüntülerinden özellik çıkarımı yapılmıştır. Kullanılan veri seti 3-7 giriş sayısı, 1-8 kapı sayısına sahip 9250 devreden oluşmaktadır. Önerilen yöntemde kapı ve giriş sayıları birlikte kullanılarak toplamda 40 sınıf için sonuçlar elde edilmiştir. DarkNet53 + SVM algoritması için en yüksek %99.81 ve ResNet101 + SVM algoritması için en yüksek 99.78 doğruluk hesaplanmıştır. Son olarak kuantum devrelerinde doğruluk tablosu kullanılarak hata tespit yöntemi geliştirilmiştir. Kuantum devrelerinde kapı ve giriş sayısı tespit edilerek doğruluk tablosu üretilmiştir. Doğruluk tablosu üretilen kuantum devrenin aynı zamanda "tfc" dosyasından "RCViewer" simülasyonu ile de doğruluk tablosu elde edilmektedir. Geliştirilen uygulamada elde edilen doğruluk tablosu ile "RCViewer" simülasyonundan elde edilen doğruluk tablosu karşılaştırılmakta ve hata tespiti yapılmaktadır. Sonuç olarak bu yüksek lisans tez çalışmasında kuantum devrelerin analizi ve hata tespiti için yöntemler geliştirilmiştir. Önerilen yöntemlerin performans sonuçları sunulmuştur. Tez kapsamında yapılan çalışmalar TÜBİTAK 121E439 Numaralı 1001 projesi tarafından desteklenmiştir.

•Jan 1, 2024•0 citations

Implementation of dimensional reduction and classifier based on quantum programming

Zeynep Özpolat

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.

•Jan 1, 2023•0 citations

Analysis of some medical images with quantum technological methods

Nilay Durmuş

Son yıllarda yapay zekâ ve makine öğrenmesi uygulamaları günlük hayatımızda yaygın olarak karşımıza çıkmakta ve hayatımızı kolaylaştırmaktadır. Özellikle veri analizi, istatistiksel optimizasyon ve karar verme süreçlerinde büyük kolaylık sağlarlar. Benzer şekilde tıp alanında da veri analizi ve hastalıkların teşhisinde kullanılmıştır. Tıbbi görüntüleme cihazları ile teşhis konulabilmekte ve vücuttaki anormal yapılar tespit edilebilmektedir. Akciğer kanserinde kitlenin yeri ve boyutu bilgisayarlı tomografi ile kolaylıkla belirlenebilir. Bununla birlikte çalışmada kullandığımız makine öğrenmesiyle uzmanlar, görüntüden lezyonlu bölgeyi çok kısa sürede teşhis ve analiz etmek ve hata olasılığını azaltmak için kullanabilir. Kullandığımız hibrit çalışma modellerinden kuantum çekirdek ve kuantum sinir ağı modelleri iki farklı veri seti üzerinde eğitilip test eğitilerek doğruluk, kesinlik, duyarlılık, özgüllük ve F1- puanları metrikleriyle ölçülmüştür. Ayrıca her iki model de 5-Fold çapraz doğrulama ile eğitilmiştir. Elde edilen değerler kuantum çekirdek ve kuantum sinir ağı modelleri performans sonuçlarına göre karşılaştırılmıştır. Her iki veri setinden çıkan sonuçlara göre kuantum çekirdek yönteminin bu çalışma için daha kullanışlı olduğu görülmüştür. Bu nedenle, bu çalışmanın akciğer kanserinde bilgisayarlı tomografi görüntüleri üzerinde makine öğrenmesi yöntemleriyle yapılacak farklı çalışmalara rehberlik edecek bir kaynak olması amaçlanmıştır.

•Jan 1, 2022•0 citations
Bu tezde, kuantum hesaplamanın üstün özellikleri ortaya konarak görüntü işleme konusunda sağladığı avantajlar ortaya konmaktadır. Kuantum temelli görüntü işleme için çok dalga boylu görüntülerin kuantum temsili QRMW modeli sunulmmuştur. QRMW modelinde kuantum durumların hazırlanışı ve kuantum durumdan görüntünün geri elde edilmesi açıklanmıştır. QRMW modelindeki görüntüler için sıkıştırma yöntemi önerilmiştir. Ayrıca QRMW modeli kullanılarak görüntüler üzerinde tüm ve kısmi renk işlemleri ile pozisyon işlemleri gerçekleştirilmiştir. QRMW modelindeki bir kuantum görüntüye, metin ve ikili görüntü gizli bilgilerinin gizlenmesi için bir steganografi algoritması önerilmiştir. Steganografi algoritmasında gizli bilgilerin taşıyıcı görüntüye nasıl gizlendikleri ve taşıyıcı görüntüden nasıl çıkarıldıkları gösterilmiştir. Ayrıca önerilen steganografi algoritması için simülasyon ve analizler yapılmıştır. Simülasyonlar ve analizler sonucunda elde edilen veriler literatürdeki diğer kuantum görüntü temsil modelleri ve kuantum steganografi algoritmaları ile karşılaştırılmış ve avantajlar/dezavantajlar ortaya konmuştur. Son olarak ise elde edilen sonuçlar sunulmuştur.
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.
Kuantum bilgisayarların keşfi ile klasik kriptografi olarak adlandırdığımız ve günümüzde tüm kriptografik cihazlarda kullanılan kriptosistemlerin güvenliği tartışılır hale gelmiştir. Kuantum bilgisayarlardaki hızlı gelişme sonucunda kriptografideki çalışma alanı kuantum bilgisayarlara karşı güvenli sistemlerin tasarlanması ve analiz edilmesi yönünde değişmiştir. Shor Algoritması ile çarpanlara ayırma probleminin çözümünün üstel zamandan polinom zamana indirilmesiyle özellikle asimetrik kriptosistemler tehdit altına girmiştir. Günümüzde verilerin büyük çoğunluğu klasik kriptografide kullanılan anahtar anlaşma algoritmaları ile paylaşılan anahtar kullanılarak simetrik şifreleme algoritmaları ile şifreli olarak saklanmaktadır. Kuantum kriptografinin esas etkisi asimetrik kriptografiye olmasına rağmen simetrik şifreleme algoritmalarının anahtarları asimetrik kriptografi ile paylaşıldığı için tüm veriler kuantum tehtidinden etkilenmektedir. Özellikle şifrelenen verilerin geriye dönük olarak tutulabileceği göz önünde bulundurulursa ve yakın zamanda kuantum bilgisayların çarpanlara ayırma problemini etkili bir şekilde çözecek seviyeye gelmesi durumunda şu andan itibaren simetrik şifreleme algoritmaları ile şifrelenen veriler de ileride çözülebilecektir. İmza algoritmalarının etkilenmesi ise imzanın kimlik doğrulama mekanizmaları veya mesajın kaynağını doğrulamak gibi o ana ait bir kriptografik hizmeti sağladığı için daha kısıtlı olacaktır. Bu yüzden kuantum tehtidi için anahtar paylaşma probleminin çözümü imza probleminin çözümüne nazaran daha acil bir ihtiyaç olarak görülmektedir. Bu sebeplerle bu çalışmada kuantum sonrası kriptografinin anahtar paylaşma problemine getirdiği çözümler üzerinde durulacaktır. Burada bahsedilen her iki problem için de daha önceden AES'i blok şifreleme algoritması olarak bir yarışma aracılığıyla standartlaştıran NIST (Ulusal Standartlar ve Teknoloji Enstitüsü), standart bir algoritma seçmek için 2016 yılında bir yarışma başlatarak standart bir kuantum sonrası anahtar değişim algoritması ve imza algoritması seçme kararı almıştır. Bu süreçten sonra algoritma tasarımı ve analizi üzerine çalışmalar hızlanmıştır. Yarışmaya katılan algoritmalar dayandıkları zorluklara göre farklı gruplara ayrılabilir. Bunlar kafes tabanlı kriptosistemler, kod tabanlı kriptosistemler, isojeni tabanlı kriptosistemler, özet tabanlı kriptosistemler ve çok değişkenli polinom tabanlı kriptosistemlerdir. Bunların içinden en çok dikkat çeken ve üzerine çalışan homomorfik şifreleme gibi yapılarda da kullanılabilmesi itibariyle kafes tabanlı kriptosistemlerdir. Ayrıca yarışma neticesinde standart olarak seçilen Kyber Algoritması da kafes tabanlı bir anahtar değişim algoritmasıdır. Kod tabanlı kriptosistemler McEliece tarafından ortaya atılılmıştır ve asimetrik kriptografinin en eski problemlerinden biri olan kod çözme problemine dayanmaktadır. Anahtar boyutlarının büyük olması dezavantajından dolayı, kuantum tehditi ortaya çıkana kadar, görece az çalışılan bir alan olarak kalmıştır. Niederreiter kriptosisteminin ortaya çıkması ve anahtar boyutlarında iyileştirmeler yapılması ile kuantum sonrası anahtar değiştirme algoritmaları için önemli bir aday durumuna gelmişlerdir. Izojeni tabanlı algoritmalar klasik bilgisayarlarla kırılabilen bir saldırının ortaya çıkmasıyla riskli duruma düşmüştür. Her ne kadar NIST SIKE anahtar anlaşma algoritmasını alternatif algoritma adaylarına alsa da saldırı bu tarihten sonra ortaya çıktığı için kullanılması önerilmez ibaresi eklemiştir. Ayrıca bazı kriptosistemlerin analizi için üzerine yeterince çalışılmadığı düşünüldüğü için kuantum sonrası anahtar anlaşma algoritmalarının tek başına kullanılmasına şüpheyle bakılmaya başlanmıştır. Bu sebeple anahtar paylaşım problemini çözmek için kuantum sonrası algoritmalar, asimetrik kriptografi ve daha önce paylaşılmış ortak simetrik anahtarlardan en az iki tanesini kullanan hibrit anahtar paylaşım protokolleri de önerilmiştir. Bu çalışma kapsamında anahtar anlaşma problemini çözmek için geliştirilen önerilerden kabaca bahsedilecektir. Kafes tabanlı kriptosistemler ile Kod tabanlı kriptosistemlerin dayandıkları problemler ve bu problemler üzerine anahtar değişim mekanizmalarının nasıl kurulduğu anlatılacaktır. Ayrıca bazı analiz metotları anlatılarak standartta bulunan bazı algoritmaların güvenlik seviyeleri ve analizi hakkında bilgi verilecektir.
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 bilgisayarlar, karmaşık problemlerin üstesinden gelebilecek potansiyelinden dolayı son yıllarda yapılan çalışma sayısı hızla artmaktadır. Kuantum devreler kubitlerin bir araya gelmesi ile oluşmaktadır. Kombinasyonel devrelerde AND, OR, NAND, NOR, XOR ve XNOR gibi geleneksel kapılar kullanılırken kuantum devrelerde Feynman, Toffoli ve Fredkin kapıları kullanılmaktadır. Bu kapıların belirli giriş ve çıkışları vardır. Kuantum kapılar kullanılarak farklı giriş, çıkış ve kapı sayısına sahip kuantum devreler oluşturulmaktadır. Günümüzde kuantum devreler kullanılarak birçok uygulama alanında çalışmalar yapılmaktadır. Kuantum devre tasarımı yapılarak simülasyon programları üzerinden test edilmektedir. Test sırasında kuantum devreleri üzerinde hatalar oluşabilir ve doğruluk tablosu yanlış üretilebilmektedir. Bu tez çalışmasında kuantum devrelerde devre analizi ve hata tespiti için derin öğrenme tabanlı yöntemler geliştirilmiştir. Tez kapsamında üç temel noktada bilimsel katkı sunulmuştur. İlk olarak kuantum devrelerinin analiz edilmesi ve arıza tespiti için veri seti oluşturulmuştur. MATLAB2020A programı kullanılarak 9250 adet örnek "tfc" dosyaları oluşturulmuştur. Bu "tfc" dosyalarından "RCViewer" simülasyon programı kullanılarak kuantum devre şemaları elde edilmiştir. Kuantum devreler kapı ve giriş sayılarına göre etiketlenmiştir. Etiketlenen kuantum devrelerin analizi için kapı ve giriş tespiti yapılmıştır. YOLO algoritması kullanılarak kuantum devrelerinde kapı ve giriş sayıları hesaplanmıştır. Önerilen YOLO algoritması 2800 iterasyon çalıştırılmış ve eğitim-test verisi oranı 80:20 için %87.1 mAP elde edilmiştir. İkinci olarak derin öğrenme tabanlı modeller kullanılarak kuantum devrelerinde özellik çıkarımı ve Destek Vektör Makinesi ile giriş ve kapı sayısı tespit edilmiştir. AlexNet, DarkNet, GoogleNet, Vgg ve ResNet modelleri kullanılmış ve kuantum devre görüntülerinden özellik çıkarımı yapılmıştır. Kullanılan veri seti 3-7 giriş sayısı, 1-8 kapı sayısına sahip 9250 devreden oluşmaktadır. Önerilen yöntemde kapı ve giriş sayıları birlikte kullanılarak toplamda 40 sınıf için sonuçlar elde edilmiştir. DarkNet53 + SVM algoritması için en yüksek %99.81 ve ResNet101 + SVM algoritması için en yüksek 99.78 doğruluk hesaplanmıştır. Son olarak kuantum devrelerinde doğruluk tablosu kullanılarak hata tespit yöntemi geliştirilmiştir. Kuantum devrelerinde kapı ve giriş sayısı tespit edilerek doğruluk tablosu üretilmiştir. Doğruluk tablosu üretilen kuantum devrenin aynı zamanda "tfc" dosyasından "RCViewer" simülasyonu ile de doğruluk tablosu elde edilmektedir. Geliştirilen uygulamada elde edilen doğruluk tablosu ile "RCViewer" simülasyonundan elde edilen doğruluk tablosu karşılaştırılmakta ve hata tespiti yapılmaktadır. Sonuç olarak bu yüksek lisans tez çalışmasında kuantum devrelerin analizi ve hata tespiti için yöntemler geliştirilmiştir. Önerilen yöntemlerin performans sonuçları sunulmuştur. Tez kapsamında yapılan çalışmalar TÜBİTAK 121E439 Numaralı 1001 projesi tarafından desteklenmiştir.
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.
Son yıllarda yapay zekâ ve makine öğrenmesi uygulamaları günlük hayatımızda yaygın olarak karşımıza çıkmakta ve hayatımızı kolaylaştırmaktadır. Özellikle veri analizi, istatistiksel optimizasyon ve karar verme süreçlerinde büyük kolaylık sağlarlar. Benzer şekilde tıp alanında da veri analizi ve hastalıkların teşhisinde kullanılmıştır. Tıbbi görüntüleme cihazları ile teşhis konulabilmekte ve vücuttaki anormal yapılar tespit edilebilmektedir. Akciğer kanserinde kitlenin yeri ve boyutu bilgisayarlı tomografi ile kolaylıkla belirlenebilir. Bununla birlikte çalışmada kullandığımız makine öğrenmesiyle uzmanlar, görüntüden lezyonlu bölgeyi çok kısa sürede teşhis ve analiz etmek ve hata olasılığını azaltmak için kullanabilir. Kullandığımız hibrit çalışma modellerinden kuantum çekirdek ve kuantum sinir ağı modelleri iki farklı veri seti üzerinde eğitilip test eğitilerek doğruluk, kesinlik, duyarlılık, özgüllük ve F1- puanları metrikleriyle ölçülmüştür. Ayrıca her iki model de 5-Fold çapraz doğrulama ile eğitilmiştir. Elde edilen değerler kuantum çekirdek ve kuantum sinir ağı modelleri performans sonuçlarına göre karşılaştırılmıştır. Her iki veri setinden çıkan sonuçlara göre kuantum çekirdek yönteminin bu çalışma için daha kullanışlı olduğu görülmüştür. Bu nedenle, bu çalışmanın akciğer kanserinde bilgisayarlı tomografi görüntüleri üzerinde makine öğrenmesi yöntemleriyle yapılacak farklı çalışmalara rehberlik edecek bir kaynak olması amaçlanmıştır.