Kuantum Çağında Makine Öğrenimi: Kuantum ve Klasik Destek Vektör Makinelerinin Karşı Karşıya Gelmesi
Yazarlar
-
Kutan Koruyan
Dokuz Eylül Üniversitesi
0000-0002-3115-5676
-
Ceren Öcal Coşar
Bağımsız
0000-0002-0652-7386
Görüntüleme
213
Özet
Bu çalışma, klasik ve kuantum hesaplama paradigmalarındaki makine öğrenimi algoritmalarının performansını karşılaştırmayı amaçlamaktadır. Özellikle, Destek Vektör Makineleri (SVM) üzerinde durarak, klasik SVM ile kuantum donanımı üzerinde çalıştırılan Kuantum Destek Vektör Makineleri (QSVM)’nin Iris veri seti üzerindeki sınıflandırma başarısını değerlendirmekteyiz. Kullanılan metodoloji, Qiskit kütüphanesi ile gerçekleştirilen kapsamlı deneyler serisini ve hiperparametre optimizasyonunu içermektedir. Elde edilen sonuçlar, belirli durumlarda QSVM'lerin klasik SVM'lerle rekabet edebilecek düzeyde doğruluk sağladığını, fakat çalışma sürelerinin şu an için daha uzun olduğunu göstermektedir. Ayrıca, kuantum hesaplama kapasitesinin ve paralellik derecesinin arttırılmasının, kuantum makine öğrenimi algoritmalarının performansını önemli ölçüde iyileştirebileceğini belirtmekteyiz. Bu çalışma, kuantum çağında makine öğrenimi uygulamalarının mevcut durumu ve gelecekteki potansiyeli hakkında değerli içgörüler sunmaktadır. Colab: https://t.ly/QKuz0
Anahtar Kelimeler:
Quantum Computing Kuantum Teknolojileri Makine Öğrenmesi Veriİndirmeler
İndir
Yayınlanmış
Sayı
Bölüm
Kategori
Nasıl Atıf Yapılır
Lisans
Telif Hakkı (c) 2024 Davut Emre Tasar- Kutan Koruyan- Ceren ÖCAL TAŞAR
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
Key Points of CC BY 4.0
- Attribution Requirement: Others can share, adapt, and use the work, even commercially, as long as they credit the original author(s) and the journal (JQTAIR) as the source.
- Flexibility in Usage: This license maximizes dissemination, as anyone can use the research in new projects, derivative works, or even commercial applications.
- Global and Broad: The 4.0 version is legally global, compatible with other open-access content, and widely accepted by institutions and funders worldwide.
- Freedom to Remix and Adapt: Researchers, educators, and industry professionals can freely build upon the work, encouraging collaboration and innovative uses in various fields.
Attribution Requirement for Users
To comply with CC BY 4.0, anyone who uses, shares, or builds upon the journal’s work must include:
- The title of the work.
- A link to the full text (ideally hosted on JQTAIR’s site or repository).
- Credit to the original authors and the journal (e.g., “Published by JQTAIR” or “Original work by [Author Name], published in JQTAIR”).