Kuantum Makine Öğrenimi: Kavramlar, Algoritmalar ve Kullanım Örnekleri

Bazı problemler klasik bilgisayarları terletir. Moleküllerin nasıl etkileştiğini simüle etmek, devasa kombinatoryal uzayları aramak, büyük sayıları çarpanlarına ayırmak: iş yükü donanımın yetişebileceğinden daha hızlı büyür. Kuantum bilgisayarlar bu problemlere farklı bir açıdan yaklaşır ve küçük ama büyüyen bir araştırmacı grubu bu farkın makine öğrenimine de yardımcı olup olamayacağını sorguluyor.

Soru tam olarak budur: kuantum makine öğrenimi (QML) bu konuya odaklanır. Bu rehber, QML'nin gerçekte ne olduğunu, takip etmek için bilmeniz gereken kuantum fikirlerini, üzerinde denemeler yapılan başlıca algoritmaları ve alanın bugün nerede durduğunu ele alıyor; baştan söyleyeyim, manşetlerin ima ettiğinden daha erken bir aşamada. Zaten bizim Python ile Makine Öğrenimi Bilimcisi rotamız gibi klasik ML ile çalışıyorsanız, burada beklediğinizden daha fazla tanıdık yapı göreceksiniz.

Kuantum Makine Öğrenimi Nedir?

Kuantum makine öğrenimi, bir makine öğrenimi görevinin bazı kısımlarını yürütmek veya hızlandırmak için kuantum hesaplamayı kullanır. Bu, verilerin kuantum durumlarına kodlanması, klasik bir model bileşeni yerine kuantum bir devrenin çalıştırılması ya da normal bir eğitim döngüsünde kuantum bir alt yordamın çağrılması anlamına gelebilir. Etiket, tek bir kuantum adımı olan çoğunlukla klasik yöntemlerden tamamen kuantum donanımında çalışacak şekilde tasarlanmış modellere kadar geniş bir aralığı kapsar.

İlerlemeye başlamadan önce, QML'nin ne olmadığına açıklık getirmek faydalı olur; zira karışıklıkların çoğu buradan başlar. Halihazırda kullandığınız modeller için daha hızlı bir "tak-çalıştır" değildir ve klasik ML'yi toptan değiştirme yarışı da değildir. Alanın büyük kısmı araştırma aşamasındadır; simülatörlerde veya küçük, gürültülü kuantum makinelerinde çalışır. Dürüst çerçeveleme şu: QML daha dar bir soru sorar; yani, kuantum donanımının klasik donanımın kolayca yakalayamayacağı bir şey sunduğu belirli ML problemleri var mı? Az sayıda problem türü için yanıt umut verici görünüyor. Çoğu için klasik ML hâlâ doğru araçtır ve Makine Öğrenimini Anlamak kursumuz, çoğu kişinin önce ihtiyaç duyduğu temeli kapsar.

Kuantum Hesaplamanın Temelleri

Bu makalenin geri kalanını takip etmek için fizik diplomasına ihtiyacınız yok, ancak birkaç fikir QML'yi çok daha az gizemli kılar. Kısa versiyonu burada; zaten aşinaysanız atlayın.

Kubitler ve bitler

Klasik bir bit ya 0 ya da 1'dir. Bir kubit ise aynı anda her ikisinin bir karışımını tutabilir ve yalnızca ölçtüğünüzde kesin bir 0 veya 1 değerine yerleşir. Ölçümden önce, bir kubit her bir sonucun olasılığını belirleyen iki genlikle tanımlanır. Bütün numara budur: n kubitten oluşan bir kayıt, aynı anda 2ⁿ durumunun bir kombinasyonunu temsil edebilir; oysa n klasik bit bu durumlardan aynı anda yalnızca birini tutabilir.

İşin püf noktası (ve kuantum hesaplamada her zaman bir püf noktası vardır) şudur: tüm bu durumları öylece okuyamazsınız. Ölçüm, kubiti tek bir değere çökertir; dolayısıyla faydalı bilgi elde etmek dikkat gerektirir. Bu sınırlama ilk başta göründüğünden daha fazla önem taşır ve az sonra göreceğiniz gibi QML algoritmalarının bu şekilde tasarlanmasının büyük bir parçasıdır.

Süperpozisyon ve dolanıklık

Bu durumların karışımına süperpozisyon denir. İkinci fikir olan dolanıklıkta işler ilginçleşir: iki veya daha fazla kubit, o kadar sıkı bir şekilde ilişkilendirilebilir ki birini diğerlerini tanımlamadan tanımlayamazsınız. Dolanık bir kubiti ölçtüğünüzde, prensipte mesafe fark etmeksizin eşine dair bir şeyleri anında bilirsiniz. Klasik bitlerin buna bir karşılığı yoktur ve kuantum hesaplamanın önerilen avantajlarının çoğu bir şekilde buna dayanır.

Kuantum kapıları

Peki süperpozisyon ve dolanıklıktaki kubitlerle nasıl çalışırsınız? Burada kuantum kapıları devreye girer. Bunlar, bir kubitin durumunun tersinir döndürmeleridir: Hadamard kapısı bir kubiti süperpozisyona sokar, CNOT kapısı iki kubiti dolaştırır. Kapıları ardışık dizdiğinizde bir kuantum devresi elde edersiniz; programın kuantum karşılığı. Tüm bunlar lineer cebire dayanır: durumlar vektörlerdir, kapılar matrislerdir ve bir devre çalıştırmak, bir dizi matris işlemi yürütmektir. Bu kısım size zayıf geliyorsa, veri bilimi öğrenme yollarımızdaki lineer cebir becerileri doğrudan buraya taşınır.

Elinizde kubitler, süperpozisyon, dolanıklık ve kapılar olduğuna göre, bu parçaların bir QML iş akışında nasıl bir araya geldiğini görmeniz için gereken her şeye sahipsiniz.

Kuantum Makine Öğrenimi Nasıl Çalışır

Yüksek düzeyde bir QML iş akışı dört adımdan oluşur. İlk olarak, klasik verileri genellikle özellik değerlerini döndürme açılarına veya genliklere eşleyerek bir kuantum durumuna kodlarsınız. İkinci olarak, çoğu zaman ayarlanabilir parametreleri olan bir kuantum devresi uygularsınız. Üçüncü olarak, devreyi ölçersiniz; her ölçüm yalnızca çökmüş tek bir sonuç verdiğinden ve sonucu güvenilir biçimde tahmin etmek için yeterli örneğe ihtiyaç duyduğunuzdan, bunu birçok kez çalıştırırsınız. Dördüncü olarak, bu sonucu bir öğrenme sürecine geri beslersiniz.

Bugün pratik QML'nin çoğu tam da son adımda yaşar. Her şeyi bir kuantum makinede çalıştırmak yerine, hibrit bir döngü kurarsınız: kuantum devresi bir değer üretir, klasik bir optimize edici devrenin parametrelerini ayarlar ve döngü tekrarlanır; tıpkı bir modeli eğitmek gibi, sadece hesabın bir parçası kuantum donanımında gerçekleşir. Günümüz kuantum makineleri gürültülü ve küçüktür (alan bu dönemi NISQ, yani gürültülü orta ölçekli kuantum olarak adlandırır); bu nedenle ağır işi klasik tarafta tutup yalnızca fayda sağlayan kısmı aktarmak pragmatik seçimdir. Hibrit yaklaşımın neden öne çıktığına bir sonraki bölümde döneceğim.

Kuantum Makine Öğrenimi Yaklaşımları Türleri

Artık temel dört aşamalı iş akışını gördüğünüze göre şu soruyu sormaya değer: bu iş akışının ne kadarı gerçekten kuantum donanımında çalışmak zorunda? Kuantum hesaplamayı makine öğrenimiyle birleştirmenin kabaca üç yolu vardır ve aralarındaki fark esas olarak kuantum makinenin gerçekte ne kadar iş yaptığıdır.

Kuantum destekli makine öğrenimi

Burada model özünde klasıktır, ancak pahalı bir adım potansiyel hızlanma için bir kuantum yordamına devredilir: bir lineer sistemi çözmek, bir çekirdeği tahmin etmek, bir dağılımdan örneklemek gibi. Geri kalan boru hattı, scikit-learn ile Denetimli Öğrenme kursumuzda oluşturacağınız denetimli öğrenmeye benzer.

Tamamen kuantum modeller

Diğer uçta, bunlar uçtan uca kuantum donanımında çalışır; veri ve model her ikisi de kuantum durumlarında yaşar. QML'nin en iddialı ve tesadüf değildir ki şu an için en az pratik sürümüdür: mevcut donanım bunları faydalı ölçekte destekleyememektedir.

Hibrit kuantum-klasik modeller

Bu iki uç arasında, bugün fiilen çalışan yaklaşım yer alır ve ciddi QML araştırmalarının neredeyse tamamı burada konumlanır. Parametreli bir kuantum devresi hesabın bir kısmını yürütürken klasik bir optimize edici onu eğitir. Küçük, gürültülü donanımın sınırlarını, kuantum makineden yalnızca şu anda iyi olduğu işleri yapmasını isteyerek aşar.

Kuantum Makine Öğrenimi Algoritmaları

Aynı birkaç algoritma ailesinin tekrar tekrar gündeme geldiğini göreceksiniz. Bunları yüksek düzeyde tutacağım; matematik hızla derinleşir ve her birinin ne için olduğunu anlamak için buna ihtiyacınız yoktur.

Varyasyonel kuantum devreleri (VQC)

Varyasyonel bir kuantum devresi, ayarlanabilir parametreleri olan ve az önce bahsettiğim hibrit döngüyle eğitilen bir kuantum devresidir. Yakın vadeli QML'nin iş atıdır ve burada yer alan diğer modellerin çoğunun temelini oluşturur. PennyLane'de, popüler bir açık kaynak QML kütüphanesinde, kabaca şöyle görünür:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

Ağırlıklar, klasik optimize edicinin çok sayıda yineleme boyunca güncellediği şeydir; tıpkı gradyan inişinin bir sinir ağının ağırlıklarını güncellemesi gibi. Bu desen yerleştiğine göre, kalan algoritmalar temanın varyasyonları gibi gelecektir.

Kuantum destek vektör makineleri

Bir kuantum destek vektör makinesi, klasik bir SVM'nin yapısını korur ancak çekirdeği—veri noktaları arasındaki benzerliği—hesaplamak için bir kuantum devresi kullanır. Umut, bir kuantum özellik uzayının, klasik bir çekirdeğin zorlanacağı desenleri yakalayabilmesidir. Bunun gerçek veri kümelerinde işe yarayıp yaramadığı hâlâ açık bir sorudur.

Kuantum sinir ağları (QNN)

Kuantum sinir ağları, parametreli devreleri katmanlar hâlinde düzenler ve tıpkı klasik ağlar gibi eğitir. Python ile Derin Öğrenmeye Giriş kursumuzda bir model eğittiyseniz, döngü tanıdık gelir: ileri geçiş, kayıp, güncelleme; sadece ileri geçiş kuantum bir devrede çalışır.

Kuantum k-means

Kuantum k-means, kümeleme olanıdır: ölçek büyüdüğünde klasik k-means'te baskın olan işlemi—noktalar arasındaki mesafeleri tahmin etmeyi—kuantum alt yordamlarıyla yapar. Bu listedeki "pahalı bir adımı kuantum versiyonuyla değiştir" yaklaşımının en doğrudan örneğidir.

Tüm bu algoritmalar göz önüne alındığında, herhangi birinin gerçekten kuantum hızlanması vaadini yerine getirip getirmediğini merak ediyor olabilirsiniz. Tam da şimdi buna bakacağız.

Kuantum Makine Öğreniminin Potansiyel Avantajları

En sık üç olası artı değerden söz edilir. Kimya ve malzemelerde kuantum sistemlerini simüle etmek gibi bazı yapısal problemler doğal olarak kuantum donanıma haritalanır ve avantajın en inandırıcı göründüğü alan budur. Kuantum özellik uzayları ayrıca, klasik olarak yakalaması zahmetli karmaşık ilişkileri temsil edebilir. Ve bazı belirli algoritmalar için teori, büyük, hatta üstel hızlanmalara işaret eder.

Dikkat ederseniz sürekli potansiyel diyorum. Bu avantajlar çoğunlukla kağıt üzerinde, gerçek donanımın henüz karşılamadığı varsayımlar altında kanıtlanmıştır. Uçurumun sevilen bir örneği: birkaç teorik hızlanma, verilerinizin hâlihazırda bir kuantum durumuna yüklenmiş olduğunu varsayar; oysa klasik verileri bu duruma yüklemek, hızlanmanın kazandırdığı kadar maliyete yol açabilir. Bu tür gizli darboğazlar, iddia edilen avantajlarla gösterilmiş avantajların neden hâlâ iki farklı liste olduğunun tam da sebebidir.

Bu fark göz önüne alındığında, klasik ve kuantum ML'yi doğrudan yanyana koymak değerlidir.

Kuantum Makine Öğrenimi ve Klasik Makine Öğrenimi Karşılaştırması

Farkı görmenin en net yolu yanyana görmektir.

Klasik ML, gerçek işlerde bugün baskındır ve öngörülebilir gelecekte de öyle olacaktır: araçlar, donanım ve yetenek havuzu hazır. QML ise, kuantum yapısının karşılığını verdiği problemlerde zamanla kendine bir niş açabilecek, erken aşamadaki meydan okuyucudur. Onları rakip gibi görmek meseleyi ıskalar. Şimdilik farklı liglerde oynuyorlar ve ilginç soru, hangi problemlerin sonunda crossover yapacağıdır.

Bu "farklı ligler" çerçevesi, bu alanın etrafında dolanan efsanelere karşı en iyi panzehirdir; o hâlde onlarla doğrudan yüzleşelim.

Kuantum Makine Öğrenimi Hakkındaki Yaygın Yanılgılar

QML'nin etrafında dolaşan birkaç efsane vardır ve bunları netleştirmeye değer.

"Kuantum ML her şey için daha hızlıdır." Değildir. Önerilen hızlanmalar, belirli koşullar altındaki belirli algoritmalara uygulanır. ML görevlerinin ezici çoğunluğu için kuantum makine bir avantaj sunmaz ve bugünün donanımı hesaba katıldığında daha yavaş çalışır.

"Kuantum bilgisayarlar klasik bilgisayarların yerini alacak." Hayır. Bunlar genel amaçlı yedekler değil, dar bir problem sınıfına yönelik özelleşmiş hızlandırıcılardır. Dizüstü bilgisayarınız bir yere gitmiyor ve hibrit QML modellerinin klasik kısmı da öyle.

"QML bugün üretime hazır." Bu, yeni başlayanların en çok takıldığı noktadır. Alan deneysel, donanım sınırlı ve gürültülü, ve neredeyse her şey simülatörlerde çalışıyor. QML şimdi öğrenilip takip edilecek bir konudur; üretim sistemlerine sevk edilecek bir şey değil.

Abartıyı bir kenara bıraktığınızda, kendi şartlarında öğrenmeye değer, gerçekten ilginç bir alan kalır. Kod yazmak için yeterince meraklıysanız, başlayacağınız yerler şunlar.

Kuantum Makine Öğrenimine Başlarken

Kavramlar sizi kod yazacak kadar meraklandırdıysa, iyi haber şu: araçlar açık kaynaklı ve yeni başlayanlar için uygundur. PennyLane (yukarıdaki örnekteki kütüphane) ve Qiskit en yaygın giriş noktalarıdır ve her ikisi de simülatörlerde çalışır; yani denemelere başlamak için gerçek bir kuantum makinesine erişmeniz gerekmez. Qiskit'in makine öğrenimi modülü, hazır kuantum çekirdekleri, sınıflandırıcılar ve sinir ağlarıyla birlikte gelir ve PyTorch'a bağlanır; bu da klasıktan geçişi daha konforlu kılar.

Tavsiyem: önce klasik temeli sağlamlaştırın. Hibrit döngü, optimize ediciler, bir modelin nasıl eğitildiği; bunların hepsi klasıktır ve en çok dayanacağınız kısımdır. Python ile Makine Öğrenimi Bilimcisi rotamız bu temeli kapsar; buradan sonra kuantuma özgü parçalar sıfırdan başlamak yerine bir eklenti gibidir. Devreleri çalıştırıp parametreleri kurcalayarak öğrenin; süperpozisyon hakkında okumak bir yere kadar götürür.

Sonuç

Kuantum makine öğrenimi, iki hızlı hareket eden alanın kesişiminde yer alır; ML boru hattının bazı kısımlarını üstlenmek için kuantum hesaplamanın bilgi temsil etme biçimini ödünç alır. Konuyu ayakları yere basar şekilde tutmaya çalıştım; çünkü şu anda teknolojide neredeyse hiçbir şey bu kadar abartı çekmiyor ve dürüst özet mütevazıdır: QML erken aşamada, çoğunlukla deneysel ve nerede karşılığını vereceği gerçekten belirsiz.

Bu, onu görmezden gelmek için bir sebep değil. Aksine, alan hâlâ uçtan uca öğrenilebilecek kadar küçükken temelleri şimdi anlamak için bir sebeptir. Kuantum donanımı iyimserlerinin umduğu şekilde olgunlaşırsa, kubitlerin, devrelerin ve hibrit eğitimin nasıl bir araya geldiğini zaten kavrayanlar onu kullanmaya hazır olanlar olacaktır. Ve eğer her yerde sonuç vermezse, yine de bilişimin büyüleyici bir köşesini öğrenmiş olursunuz ki, dürüst olmak gerekirse bu da fena bir sonuç değildir.