Kuantum Makine Öğrenmesi: Veriyi Kübitlere Yazmak

Serinin ilk yarısında kuantum bilgisayarların nasıl düşündüğünü gördük: süperpozisyon, dolanıklık, girişim. Şimdi bu araçları yapay zekânın en popüler alanına, makine öğrenmesine taşıyoruz.
Ama önce temel bir soruyu yanıtlamamız gerekiyor: elimizdeki bir veri tablosunu, bir görüntüyü ya da bir ölçüm dizisini kuantum bilgisayara nasıl veririz? Kuantum bilgisayarlar Excel dosyası okumaz; yalnızca kübit durumlarını anlar. Klasik veriyi kuantum durumuna çevirmeye kodlama (encoding) denir ve bir kuantum modelinin başarısı büyük ölçüde bu adıma bağlıdır.
Bu yazıda üç temel yöntemi PennyLane ile deneyeceğiz.
1) Açı kodlama: veriyi dönüş açısına yaz
İlk yazıdaki Ry(θ) kapısını hatırlıyor musunuz? Oku Bloch küresinde çeviren o kapı. Fikir basit: veri değerini doğrudan açı olarak kullan.
İki özellikli bir veri noktası x = (x₁, x₂) için:
@qml.qnode(dev1)
def angle_encode_bloch(x):
qml.RY(x[0], wires=0) # x₁ → enlem
qml.RZ(x[1], wires=0) # x₂ → boylam
return [qml.expval(qml.PauliX(0)),
qml.expval(qml.PauliY(0)),
qml.expval(qml.PauliZ(0))]Her veri noktası kürenin yüzeyinde bir noktaya dönüşüyor. Kapak animasyonunda "ay" (moons) veri setinin noktalarının küreye nasıl uçtuğunu görüyorsunuz.
Artısı: Basit, sığ devreler, gürültülü bugünkü donanımlara uygun.
Eksisi: Her özellik için bir kübit (ya da bir kapı) gerekir.
2) Genlik kodlama: üstel sıkıştırma
Bu yöntem kuantumun en büyüleyici özelliğinden yararlanır: n kübit 2ⁿ genlik taşır. Yani 8 sayıyı yalnızca 3 kübite, bir milyon sayıyı yalnızca 20 kübite sığdırabilirsiniz!
data = [3, 1, 4, 1, 5, 9, 2, 6]
qml.AmplitudeEmbedding(data, wires=range(3), normalize=True)Ölçüm olasılıkları verinin karesiyle orantılı oluyor: en büyük değer olan 9, %47 olasılıkla en sık görülen sonuç.
Artısı: Üstel kompaktlık.
Eksisi: Bu durumu hazırlayan devre genellikle çok derindir; "veriyi yüklemenin" maliyeti kazancı yiyebilir.
3) Özellik haritası: veriyi dolanıklıkla zenginleştir
Üçüncü yöntem, veriyi yalnızca yazmakla kalmaz, özellikleri birbirine dolanıklık yoluyla bağlar. Popüler "ZZ özellik haritası" her özelliği bir dönüşe yazar, sonra (π − x₁)(π − x₂) gibi bir etkileşim terimini iki kübit arasındaki dolanık bir kapıya ekler.
Sonuç, verinin çok yüksek boyutlu bir uzaya yerleştirilmesidir; tıpkı klasik makine öğrenmesindeki "çekirdek hilesi" gibi. Klasik bilgisayarın simüle etmekte zorlanabileceği bir uzay.
Kuantum benzerlik: iki nokta ne kadar yakın?
Veri noktaları kuantum durumlarına dönüştüğünde, iki noktanın benzerliğini durumlarının örtüşmesiyle ölçebiliriz:
yakın noktalar F(a, b) = 0.917
uzak noktalar F(a, c) = 0.020Yakın veri noktaları neredeyse aynı kuantum durumuna, uzak olanlar neredeyse "dik" durumlara gidiyor. Bu benzerlik ölçüsü, serinin son yazısında göreceğimiz kuantum çekirdeklerinin ta kendisi.
Hangisini seçmeli?
Az özellik, sığ devre istiyorsanız: açı kodlama.
Çok sayıda özelliği az kübite sığdırmanız gerekiyorsa: genlik kodlama.
Özellikler arası karmaşık ilişkiler önemliyse: özellik haritaları.
Unutmayın: iyi bir kodlama, iyi bir model kadar önemlidir. Yanlış kodlama, en iyi kuantum algoritmasını bile işe yaramaz hale getirir.
Özet
Kuantum ML'in ilk adımı klasik veriyi kuantum durumuna kodlamaktır.
Açı kodlama: basit ve sığ; genlik kodlama: üstel kompakt ama pahalı.
Özellik haritaları dolanıklıkla veriyi yüksek boyutlu bir uzaya taşır.
Kuantum durumları arasındaki örtüşme, doğal bir benzerlik ölçüsüdür.
Bu yazının tüm kodu GitHub'da: indirin, çalıştırın, parametrelerle oynayın.
Sıradaki yazı: Öğrenen Bir Kuantum Devresi — kodladığımız veriyle gerçek bir kuantum sınıflandırıcı eğiteceğiz.



Yorumlar