Kuantum kernel tabanlı makine öğrenmesi için kuantum özellik haritalarının karşılaştırmalı performans analizi

Laboratuvarın ötesinde neden önemli

Verilerimiz ve problemlerimiz daha karmaşık hale geldikçe, bugün en iyi makine öğrenimi araçları bile açık desenleri bulmakta zorlanabiliyor. Kuantum bilgisayarlar bu tür sorunlara yaklaşmanın yeni yollarını vaat ediyor, ancak ne zaman ve nasıl gerçekten fayda sağlayacakları hâlâ belirsiz. Bu makale, bu bulmacanın pratik bir parçasını inceliyor: kuantum tabanlı sınıflandırıcıları nasıl tasarlayıp ayarlayabileceğimizi, böylece hem oyuncak problemler hem de gerçek bir tıbbi veri kümesi üzerinde iyi yerleşmiş klasik yöntemlerle rekabet edebilmelerini ya da bazen onlara rakip olmalarını sağlamak.

Benzerliği kuantum gücüne dönüştürmek

Destek vektör makineleri gibi birçok başarılı öğrenme yöntemi, iki veri noktasının görünmez bir dönüşüm sonrasında daha zengin bir özellik uzayında ne kadar benzer olduğunu ölçen “kernel”lere dayanır. Kuantum bilgisayarlar, verileri kuantum durumlarına kodlayıp ardından iki durumun ne kadar örtüştüğünü karşılaştırarak böyle dönüşümleri doğal olarak gerçekleştirebilir. Yazarlar bu çalışmada kuantum kernel’lerine ve sıradan sayıları kuantum durumlarına dönüştürme şeklini bir kuantum devresine söyleyen “özellik haritalarına” odaklanıyor. İyi bir özellik haritası, karışık verileri ayırmayı kolaylaştırır; kötü bir harita ise kuantum donanımını boşa harcar. Çalışma iki temel soruyu gündeme getiriyor: hangi özellik haritaları en iyi çalışıyor ve dikkatli ayar ne kadar iyileştirme sağlayabiliyor?

Birden çok kuantum tarifini test etmek

Araştırmacılar yeni bir yüksek-ordu özellik haritası tanıtıyor ve bunu önceki çalışmalardan beş ileri teknoloji tasarımla karşılaştırıyor. Her harita, tek kuantum biti rotasyonları ve bir dolandırma (entangling) kapısı uygulayan basit iki-kubitlik bir devre kullanıyor, ancak bu rotasyonları yönlendiren matematiksel formüller farklılık gösteriyor. Çalışmayı odaklı tutmak için kuantum devresinin yapısı, destek vektör makinesi ayarları ve değerlendirme prosedürü sabit tutuluyor; yalnızca özellik haritası ve onun içsel “rotasyon gücü” değiştiriliyor. Bu, performans kazanımlarını çevresel klasik öğrenme algoritması ince ayarlarına değil, verinin kuantum durumlarına nasıl kodlandığına doğrudan atfetmeyi mümkün kılıyor.

Oyuncak desenlerden kanser teşhisine

Ekip, kuantum kernel’leri üç klasik iki boyutlu test probleminde—iç içe daireler, hilal aylar ve XOR desenleri—ve ayrıca Wisconsin Meme Kanseri Tanı veri setinin indirgenmiş bir versiyonunda değerlendiriyor. Tıbbi veriler için, görüntü tabanlı en bilgilendirici iki özellik standart bir özellik seçimi yöntemiyle seçiliyor. Tüm girdiler aynı aralığa yeniden ölçekleniyor ve deneyleri günümüzün gürültülü ara ölçekli kuantum cihazları için gerçekçi tutmak üzere sığ iki-kubitlik devrelere besleniyor. Performans, doğruluk ve sınıf dengesini yakalamak için Matthews korelasyon katsayısı kullanılarak, lineer ve radyal tabanlı fonksiyon kernel’leri, karar ağaçları, rastgele ormanlar, boosting, naïve Bayes, lineer ayırdetme analizi ve çok katmanlı algılayıcılar dahil geniş bir klasik model setiyle karşılaştırılıyor.

Karşılaştırmaların ortaya koydukları

Daha basit kıyas veri kümeleri genelinde, özellikle yeni özellik haritasından ve iki mevcut haritadan türetilen geliştirilmiş kuantum kernel’leri neredeyse mükemmele yakın sınıflandırma elde ederek çoğu klasik rakiple eşleşiyor veya onları geride bırakıyor. Daha zorlayıcı meme kanseri verilerinde, en iyi kuantum özellik haritaları radyal tabanlı kernel’ler ve sinir ağları gibi güçlü klasik temsillerle rekabetçi kalıyor. Önemli bir ayar, giriş değerlerinin kuantum rotasyonlarını ne kadar güçlü etkilediğini ölçeklendiren rotasyon faktörü. Yazarlar bu faktörü birkaç değer boyunca tarayarak doğru seçimin performansı önemli ölçüde iyileştirebileceğini ve en iyi değerin veri kümesine bağlı olduğunu gösteriyor. Özellik uzaylarının ve ortaya çıkan karar sınırlarının görselleştirilmesi, bazı haritaların ayrıntılı, iyi hizalanmış ayırma bölgeleri oluştururken diğerlerinin çarpık veya kötü yerleştirilmiş sınırlar bıraktığını ve bu şekilde sonuçlardaki farklılığı açıkladığını netleştiriyor.

Nasıl çalıştığına yakından bakmak

Bu etkileri daha iyi anlamak için çalışma, her bir özellik haritasının farklı problemler için bir giriş noktaları ızgarasını nasıl yeniden şekillendirdiğini görselleştiriyor. Dairesel desen için çoğu harita temel yapıyı başarılı şekilde yeniden üretiyor, ancak hilal aylar ve gerçek kanser verilerinde yalnızca bir alt küme harita gerçek dağılımla iyi hizalanıyor. Ek deneyler, kullanılan tek-kubit rotasyon tipini değiştiriyor ve XOR gibi belirli desenler için rotasyon ekseninin seçiminin ayrıntılı kodlama formülü kadar önemli olabileceğini doğruluyor. Genel olarak, yeni özellik haritası özellikle uygun bir rotasyon faktörüyle eşleştirildiğinde en iyi performans gösterenler arasında tutarlı şekilde yer alıyor; bu, kuantum kapıları, kodlama formülleri ve hiperparametre ayarları arasındaki ince etkileşimi vurguluyor.

İleriye dönük ne anlama geliyor

Uzman olmayan biri için ana mesaj şudur: makine öğreniminde kuantum avantajı, yalnızca standart modelleri kuantum donanımında çalıştırmakla “bedava” gelmeyecek. Başarı, verileri kuantum devrelerine beslemenin doğru yolunu tasarlamaya ve kuantum durumlarının ele alınan problemin yapısını yakalaması için birkaç kritik ayarı ince ayar yapmaya bağlı. Bu makale, kuantum kernel yöntemleriyle bunu nasıl yapacağını gösteren bir yol haritası sunuyor ve iyi tasarlanmış ve ayarlanmış kuantum özellik haritalarının çok küçük devrelerle bile güçlü, bazen üstün performans sağlayabileceğini gösteriyor. Aynı zamanda yazarlar, sonuçlarının donanım gürültüsü olmadan yapılan simülasyonlara ve nispeten mütevazı veri kümelerine dayandığını; bu kazanımları gerçek kuantum makinelerinde ve daha büyük ölçeklerde tam olarak gerçekleştirmek için gelecekteki çalışmaların hayati bir zorluk olarak kaldığını belirtiyorlar.

Atıf: Jha, R.K., Kasabov, N., Bhattacharyya, S. et al. Comparative performance analysis of quantum feature maps for quantum kernel-based machine learning. Sci Rep 16, 8142 (2026). https://doi.org/10.1038/s41598-026-39392-9

Anahtar kelimeler: kuantum makine öğrenimi, kuantum kernel’ları, özellik haritaları, hiperparametre ayarı, sınıflandırma