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.
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 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 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.
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.
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.
Bu tez, tersinir devre sentezine dayalı kuantum devrelerin sentezlenmesi için yeni bir yöntem sunmaktadır. Kuantum bilgisayarlar, özellikle kuantum devrelerle oluşturulan kauntum algoritmalar, hesaplamalı alanda vaat ettikleriyle son yıllarda dikkatleri üzerine çekti. Bu bilgisayarlar, klasik bilgisayarların çözemediği kompleks problemleri hesaplamanın önünü açmaktadır. Geleneksel olarak bilgisayarlar 0 veya 1 değeri alabilen bitler ile hesaplamaları gerçekleştirirler. Bitler ile hesaplama genel anlamda oldukça etkin ve verimli olmasına rağmen bazı önemli problemlerin çözümünde yetersiz kalmaktadır. Bunun en önemli nedeni ise bitlerin deterministik olarak çalışması, yani belirli bir zaman aralığında sadece 0 veya 1 değeri alabilmesidir. Richard Feynman tarafından önerilen kuantum bilgisayar fikri, kuantum mekaniğinden faydalanarak hesaplama işlemlerini gerçekleştirme mantığına dayanmaktadır. Bu hesaplama yönteminde, veri saklama elemanları “kübit” olarak adlandırılır. Kuantum mekaniğinin süperpozisyon prensibi gereği, kübitler 0 veya 1 aynı anda hem 0 hem 1 konumunda bulunabilir. Bir başka deyişle bir kübitin değeri, 0 veya 1 olma olasılığını belirtir. Böylece, pratik limitler dahilinde olanaksız olan bir çok problem, kuantum algoritmaları ile rahatlıkla çözebilmektedir. Bu problemlerin belki de en ünlüsü kriptolojide yaygın kullanılan yarı-asal sayıların çarpanlarına ayrılmasıdır. Shor’un kübit tabanlı çarpanlara ayırma algoritması, geleneksel anlamda çözümü yüzyıllar süren durumları, hızlıca çözmektedir. Kuantum devreler, kübitler üzerinde işlem yapan kuantum kapılar kullanılarak inşa edilir. Kuantum devrelerin en önemli özelliklerinden birisi aynı zamanda tersinir (reversible) devreler olmalarıdır. Bu devrelerde, devrenin girişindeki ve çıkışındaki bit sayısı eşittir. Devrenin çıkışındaki değerler bize devrenin girişindeki değerler hakkında bilgi verir. Bu sayede devreleri çift yönlü olarak kullanabilmemize imkan sağlarlar. Tersinir devrelerin en büyük getirisi, bilgisayarlarda yüksek enerji tasarrufuna olanak sağlamalarıdır. Kuantum bilgisayarlar ile ilgili yapılan deneysel uygulamalar her ne kadar emekleme aşamasında olsa da, kuantum hesaplamanın uygulanabilir olduğunu göstermektedir. Bu noktada kuantum hesaplamanın en önemli bölümü olan kuantum devre tasarımı ön plana çıkmaktadır. Çalışmalar en az sayıda kapı kullanarak optimum devreleri sentezlemeyi amaçlamaktadır. Optimize edilmiş devreler, bir yandan güvenilirliği artırırken, diğer bir yandan çalışma süresini düşürmektedir. Şuana kadar yapılan çalışmalarda, optimum devre sentezi sadece 4 bite kadar gerçekleştirildi. Son yapılan ve 84 kübit kullanılan deneyler göz önüne alındığında, optimal devre sentezi pratik olmaktan oldukça uzak kalmaktadır. Bu, çalışmamızı hızlı sentezleme algoritmalarına yönelten motivasyonların başında gelmektedir. Literatürdeki birkaç çalışmada, özellikle yüksek bit sayısı ile sentezleme yapılanlarda, “garbage output” birimleri kullanılmıştır. Bu birimler, ihtiyaç olduğunda kullanılmak üzere devrede fazladan bulundurulan veri yolları olarak düşünülebilir. Bir çok yöntemde, enerji verimililiği ile ilgili problemlerinden ötürü kullanımı düşünülmemiştir. Bu nedenle çalışmamızda “garbage ouput” kullanmadık. Önerdiğimiz yöntem, istenilen fonksiyonu kuantum kapıları kullanarak verimli bir şekilde elde etmekte ve bunu iki ana aşamada yapmaktadır. İlk aşamada, permütasyona dayalı bir algoritma ile seçilen bit büyüklüğüne göre optimum sayıda kapı kullanılan “temel fonksiyonlar” sentezlenmektedir. Her temel fonksiyon için, en az kapı sayısından başlayıp, tüm kapıları ve permütasyonlarını deneyerek, fonksiyonu gerçekleştiren devreyi temel fonksiyonlar kütüphanesine ekler ve bir sonraki temel fonksiyonu aramaya başlar. Kütüphane tamamlandıktan sonra sıralama aşamasına geçilmektedir. Algoritmanın bu aşaması, en çok vakit alan kısım olmasına rağmen, temel fonksiyonların sayısının azlığı ve sıralama algoritmasının hızı, bu yöntemi literatürdeki çalışmalardan oldukça hızlı kılmaktadır. Optimum çözüm üretmeyen yöntemlerle bu devreler çok daha hızlı bir şekilde elde edilebilir ancak devre maliyetleri çok daha yüksek olacaktır. Temel fonksiyonların maliyetleri, oluşturulacak olan tüm devrelerin maliyetini etkileyeceğinden, devreleri optimum olarak sentezlemeyi tercih ettik. Devre sentezleme aşaması, istenilen fonksiyonu elde etmemizi sağlayan sıralama süreci ile devam eder. Bu süreç, algoritmamıza hızını kazandıran, yöntemimizin en önemli bölümdür. Sıralama algoritmaları, matematik ve bilgisayar biliminde uzun süredir çalışılan bir konu olduğundan, birçok farklı sıralama algoritması geliştirilmiştir. Biz çalışmamızda, “Seçmeli Sıralama” algoritmasını kullandık. Bu sıralama yöntemi, verilen fonksiyonu, doğruluk tablosu ile karşılaştırarak satır satır kontrol edip, eşleşmeyen her durum için temel fonksiyonlardan birini kullanarak, fonksiyonu adım adım birim fonksiyona çevirmektedir. Diğer sıralama algoritmalarının aksine kaydırma veya bölme işlemlerini uygulamadığından, fazladan temel fonksiyon kullanımını önleyerek, devre maliyetini düşük tutmaktadır. Örneğin, birleştirmeli sıralama, verilen sıralama kümesini öncelikle alt kümelere ayırıp, bu alt kümeleri sıralamaktadır. Ardından, oluşturulan alt kümeler, parça parça birleştirilerek her yeni birleşmede yeni bir sıralama yapılmaktadır. Sıralamalardaki yer değiştirme işlemlerinin her biri ek bir temel fonksiyon kullanımına neden olmaktadır. Aynı şekilde, eklemeli sıralama algoritmasında kullanılan kaydırma işlemlerinin her biri, bir temel fonksiyona karşılık gelmektedir. Seçmeli algoritma ile oluşturulan devrelerin maliyeti, yerdeğiştirilecek olan satırların değiştirilme sırasının, doğru bir şekilde belirlenmesiyle iyileştirilebileceğini gösterdik. Bu amaçla, çalışmamıza her fonksiyon için optimum sıralamayı bulan ek bir bölüm ekledik. Eklediğimiz bu kısım bazı devrelerin maliyetini azaltırken, programın çalışma süresini artırmıştır. İkinci aşama, oluşturduğumuz şablonları kullanarak, sentezlenen devrelerde optimizasyon yapmaktadır. Şablonlar, aynı fonksiyonu daha az sayıda kapıyla gerçekleyen ve devredeki eşdeğeri ile değiştirilerek toplam kapı sayısında düşüş sağlayan devrelerdir. Şablonlarımızı iki farklı yolla oluşturduk. Birincisi, tersinir kapı kütüphanemizi kullanarak. İkincisi de bu kütüphanedeki kapıların içlerinde bulunan kuantum kapıları göz önüne alarak. Birinci yöntem, sıralama algoritmasının uygulanmasından sonra, aynı iki kapının yanyana gelebileceği göz önünde bulundurularak üretilmiştir. İkinci türdeki şablonlarda, sentezlediğimiz devrelerde sıkça kullandığımız Toffoli kapısının, kuantum kapılarla (V, V† ve CNOT) kaç farklı şekilde gerçekleştirilebileceğini inceledik. Bu aşamada, kompleks sayılardan oluşan matrisleri kullanacağımız için, MATLAB programını kullandık. Devre içiersinde Toffoli kapısının yanına gelen CNOT kapılarından bir kısmının optimizasyon için kullanılabileceğini gösterdik. Ayrıca çalışmamızda, pozitif kontrollü kapılara (CNT) ek olarak negatif kontrollülerinde sentezleme aşamasına eklenmesiyle devre maliyetlerinde önemli ölçüde iyileştirmeler elde ettik. Kuantum hesaplama, deneysel olarak bir çok farklı şekilde gerçekleştirilmiştir. Her gerçeklemenin, kendine özgü prensipleri ve özellikleri olduğundan, algoritmalardaki kapıların uygulanış biçimi de farklı olmaktadır. Bu nedenle, her yöntem için ayrı kapı maliyetleri oluşmaktır. Çalışmamızki kuantum devrelerin maliyetlerini literatürde yaygın olarak kullanılan NCV-111 maliyet metriğini kullanarak hesapladık. Son olarak, yöntemimizi literatürde bulunan çalışmalar ile kıyasladık.