Doğrusal olmayan sistemlerin tanımlanması için kararlı yaklaşım tabanlı diyagonal tekrarlayan kuantum sinir ağları

Karmaşık Sistemleri Anlaması İçin Makinelere Öğretmek

Evlerimizdeki elektrik motorlarından türbülanslı hava akışına ve bazı tıbbi süreçlere kadar hayatımızı şekillendiren birçok sistem karmaşık, doğrusal olmayan davranışlar sergiler. Bu, girdilerdeki küçük değişikliklerin beklenmedik derecede büyük veya kaotik tepkilere yol açabileceği anlamına gelir. Bu tür sistemleri tahmin etmek ve denetlemek zordur, ancak verimlilik, güvenlik ve enerji tasarrufu açısından hayati öneme sahiptir. Bu makale, bu zorlu davranışları daha doğru ve güvenilir bir şekilde modellemek için kuantum hesaplama, sinir ağları ve kararlılık teorisinden fikirleri harmanlayan yeni bir öğrenme makinesi tanıtıyor.

Neden Geleneksel Modeller Yetersiz Kalıyor

Geleneksel modelleme araçları genellikle neden ve sonucun düzenli ve orantılı olduğunu varsayar; bu, basit veya neredeyse doğrusal sistemler için iyi çalışır. Ancak birçok gerçek sistem hafıza, geri besleme ve eşiklere sahiptir; bu da davranışlarını son derece doğrusal olmayan hâle getirir. Klasik sinir ağları yardımcı olduysa da kendi zorluklarını beraberinde getirir. Bilginin tek yönde aktığı besleme-ileri ağlar statik görevlerde iyidir ancak geçmiş sinyallerin önemli olduğu durumlarda zorlanır. Bilgiyi kendine döndüren ve bellek oluşturan tekrarlayan ağlar zamanla değişen davranışı yakalayabilir, fakat eğitilmeleri zordur, kararsızlığa eğilimli olabilir ve her nöronun her diğerine bağlandığı durumlarda hesaplama yükü ağırlaşır.

Karmaşık Döngüleri Basit Geri Beslemelerle Birleştirmek

Yazarlar, Lyapunov kararlılığına sahip diyagonal tekrarlayan kuantum sinir ağı (DRQNN-LS) önerir. Temelde bu ağ hâlâ tanıdık üç katmanlı bir sinir ağı gibi görünür: girişler, bir gizli katman ve bir çıkış. Ancak iki farklılık onu özel kılar. Birincisi, gizli birimler sadeleştirilmiş kuantum bitleri gibi davranır; iç durumları düz sayılar yerine faz benzeri niceliklerle tanımlanır. Bu kuantum esinli gösterim, her birimin daha zengin bilgiyi kompakt biçimde kodlamasını sağlayarak ağın karmaşık ilişkileri yaklaşık olarak ifade etme yeteneğini artırır. İkincisi, geri beslemelerin düğümlü bir ağ yerine her gizli nöron yalnızca kendisine geri besleme yapar. Bu "diyagonal" tekrarlama, zamanla değişen desenleri izlemek için gereken belleği korurken ayarlanması gereken bağlantı sayısını önemli ölçüde azaltır.

Öğrenmeyi Kararlı ve Kontrol Edilebilir Tutmak

Herhangi bir tekrarlayan ağın eğitilmesinde büyük zorluk, öğrenmenin kararlı tutulmasıdır: ağırlıklar çok agresifçe değişirse modelin çıktısı patlayabilir veya salınım yapabilir; çok yavaş değişirse eğitim sonsuza dek sürebilir veya takılıp kalabilir. Burada yazarlar, başlangıçta fiziksel sistemlerin güvenliğini analiz etmek için geliştirilmiş olan Lyapunov kararlılık teorisine dayanır. Model hata terimi ile ağ parametrelerinin büyüklüğünü birleştiren özel bir enerji-benzeri fonksiyon kurarlar. Bu fonksiyonun zaman içindeki değişimini dikkatle türeterek, ağın ağırlıklarını ve iç parametrelerini güncellemek için genel olarak enerji seviyesinin yalnızca azalmasını sağlayan otomatik kurallar elde ederler. Bu, el ile ayarlama gerektirmeyen, kendi kendine hızlanan veya yavaşlayan uyarlanabilir öğrenme hızları sağlar ve yakınsamayı garanti eder.

Yeni Ağı Sınamaya Koymak

DRQNN-LS’nin kağıt üzerindeki hoş bir fikirten daha fazlası olduğunu göstermek için yazarlar üç oldukça farklı görevde test ederler. İlk olarak, davranışı bilinen matematiksel bir doğrusal olmayan sistemi modelleyerek ağın çıktıyı ne kadar yakından takip edebileceğini kontrol ederler. İkinci olarak, başlangıç koşullarındaki küçük değişikliklerin vahşi farklı yörüngelere yol açabildiği klasik bir kıyaslama olan kaotik Henon haritasını ele alırlar. Üçüncü olarak, yöntem küçük bir doğru akım motorundan elde edilen gerçek verilere uygulanır; bu veriler gürültülü ve iç işleyişi tam olarak bilinmeyen pratik bir cihazı temsil eder. Her durumda, yeni yaklaşım klasik diyagonal tekrarlayan ağlar ve daha basit gradyan temelli kurallarla eğitilmiş önceki kuantum-esinli versiyonlar da dahil olmak üzere birkaç mevcut sinir modeliyle karşılaştırılır.

Daha İyi Doğruluk, Sağlamlık ve Gürültü Toleransı

Üç örneğin tamamında DRQNN-LS, veriler kasıtlı olarak önemli ölçüde bozulsa bile rekabet yöntemlere kıyasla tutarlı şekilde daha düşük tahmin hataları ve gerçeğe daha iyi uyan sonuçlar üretir. Yeni model adım başına biraz daha fazla hesaplama gerektirse de —çünkü tekrarlayan kuantum-esinli durumları izler ve Lyapunov tabanlı güncellemeyi değerlendirir— çalışma süreleri modern işlemcilerde gerçek zamanlı kullanım için hâlâ yeterince kısadır. Sonuçlar, sadeleştirilmiş bir tekrarlayan yapı, kuantum tarzı nöron durumları ve matematiksel olarak garanti edilmiş kararlı öğrenmenin birleşiminin gerçek dünyadaki doğrusal olmayan dinamikleri anlamak ve tahmin etmek için güçlü ve pratik bir araç sunduğunu öne sürer.

Bundan Sonra Ne Anlama Geliyor

Uzman olmayanlar için çıkarılacak ders, karmaşık fiziksel sistemlerin daha akıllı ve daha güvenilir dijital ikizlerini nasıl inşa edeceğimizi öğreniyor olmamızdır. DRQNN-LS, bir makinenin karmaşık bir sürecin davranışını doğrudan verilerden öğrenmesine izin verirken öğrenmenin "patlamamasını" veya öngörülemez şekilde sapmamasını sağlamanın bir yolunu sunar. Esneklik ve kararlılığın bu kombinasyonu, yatay sanayi denetimi ve robotikten enerji sistemlerine, belki de doğrusal olmayan davranışların ve gürültülü ölçümlerin norm olduğu biyolojik veya tıbbi modellemeye kadar uzanan alanlarda değerli olabilir.

Atıf: Khalil, H., Elshazly, O. & Shaheen, O. Stable approach based diagonal recurrent quantum neural networks for identification of nonlinear systems. Sci Rep 16, 8274 (2026). https://doi.org/10.1038/s41598-026-37973-2

Anahtar kelimeler: doğrusal olmayan sistem tanımlaması, kuantum sinir ağı, tekrarlayan sinir ağı, Lyapunov kararlılığı, kaotik dinamiklerin modellenmesi