Pikselleştirilmiş renkli görüntülerin kuantumla geliştirilmiş sınıflandırması için yeni bir kuantum konvolüsyonel sinir ağı çerçevesi

Bulanık Resimlerde Daha Fazlasını Görmek

Modern yaşam görüntüler üzerine kuruludur; tıbbi taramalardan uydu fotoğraflarına, emojilerden video oyunu sprite’larına kadar her yerde görüntüler kullanılır. Ancak bu görüntü koleksiyonları büyüdükçe, onları analiz eden bilgisayarlar zor bir ikilemle karşılaşır: büyük ve sofistike modeller devasa veri kümeleri ve çokça enerji isterken, birçok gerçek dünya görevi sadece birkaç küçük, düşük çözünürlüklü resimle çalışmak zorundadır. Bu makale, kuantum fiziğinin tuhaf kurallarının, küçük ve gürültülü görüntülerdeki desenleri günümüzün standart araçlarından daha güvenilir şekilde tespit etmeye yardımcı olup olamayacağını araştırıyor.

Neden Küçük Görüntüler Büyük Bir Sorundur

Klasik konvolüsyonel sinir ağları (CNN’ler), küçük filtrelerle görüntüleri tarayıp katman katman desenler öğrenerek görüntü tanımada devrim yarattı. İnternet fotoğraf etiketleme gibi büyük, ayrıntılı görüntü ve devasa veri kümelerinde çok başarılı olurlar. Ancak gömülü sensörler, düşük maliyetli kameralar, uzaktan algılama veya simge boyutlu ekranlar gibi birçok pratik durumda yalnızca 4×4 veya 8×8 piksel gibi çok küçük ve sıklıkla sınırlı sayıda görüntü mevcuttur. Bu düşük veri rejiminde, standart CNN’ler aşırı uyuma eğilimlidir: eğitim örneklerini ezberleyip genel kuralları öğrenmek yerine bildikleri görüntülerde yüksek doğruluk verirken yeni örneklerde kötü performans sergilerler.

Görüntülemeye Kuantum Fiziğini Getirmek

Yazarlar, geleneksel bir bilgisayar ile simüle edilmiş bir kuantum cihazını birleştiren Hibrit Yeni Kuantum Konvolüsyonel Sinir Ağı (No-QCNN) modelini tanıtıyor. Temel fikir, her küçük renkli görüntüyü kuantum bitleri (qubit’ler) koleksiyonu olarak temsil etmektir. Ham piksel değerlerini doğrudan bir ağa vermek yerine yöntem, önce her pikselin kırmızı–yeşil–mavi yoğunluklarını ve konumunu kompakt üç boyutlu bir veri bloğuna dönüştürür. Bu blok daha sonra dikkatle seçilmiş rotasyonlar ve qubit çiftleri arasındaki dolaşıklık (entanglement) işlemleri kullanılarak bir kuantum durumuna kodlanır. Qubit’ler süperpozisyon halinde bulunabildiği ve dolaşık hale gelebildiği için tek bir kuantum durumu prensipte birçok piksel rengi ve konum kombinasyonunu aynı anda temsil edebilir; bu da çok derin ağlara gerek kalmadan ince korelasyonları yakalamayı mümkün kılar.

Kuantum Ağı Görüntüleri Nasıl İşliyor

Görüntü qubit’lerde depolandıktan sonra, No-QCNN onu klasik CNN’leri andıran ama tamamen kuantum devresi üzerinde çalışan bir dizi işlemden geçirir. Qubit çiftleri, görüntüdeki bitişik “konumlar” arasındaki bilgiyi karıştıran kuantum karşılığı konvolüsyon filtreleri gibi davranan küçük, tekrarlanan dönüşüm bloklarından geçer. Bu kuantum “konvolüsyon” adımlarının her birinden sonra, bir kuantum havuzlama (pooling) işlemi efektif qubit sayısını azaltır ve iki qubit’ten gelen bilgiyi tek bir qubit’e katlar. Katman katman devre birkaç qubit’e daralır; bu qubit’lerin ölçüm sonuçları klasik bir son işlem adımıyla yorumlanarak tahmin edilen sınıf belirlenir—örneğin bir çizginin yatay mı dikey mi olduğu ve hangi renkte olduğu gibi. Bu kuantum işlemlerinin kuvvetleri, tüm düzenek eğitim alınabilir bir model olarak ele alınarak klasik bir optimizörle otomatik biçimde ayarlanır.

Kuantum ve Klasik Yaklaşımları Test Etmek

No-QCNN’in ne kadar iyi çalıştığını görmek için araştırmacılar basit ama aydınlatıcı görüntü veri kümeleri oluşturdu. Temel görevde her 4×4 görüntü, gürültülü bir arka plana karşı yatay veya dikey parlak bir çizgi içeriyordu; bu ikili (binary) bir sınıflandırma problemi oluşturuyordu. Daha zor görevde ise 8×8 görüntüler yatay veya dikey olabilen ve kırmızı, yeşil veya mavi renkte olabilen bir çizgi içeriyordu; bu da altı olası kombinasyon veriyordu. Adalet için kuantum model gürültüsüz bir simülatörde çalıştırıldı ve performansı benzer karmaşıklığa sahip kompakt bir klasik CNN ile karşılaştırıldı. İkili görevde klasik CNN doğrulama doğruluğunda mükemmele ulaşırken, No-QCNN yaklaşık %90’a ulaştı; bu, yapı net ve basit olduğunda geleneksel yaklaşımın halen avantajlı olduğunu gösterdi. Ancak yalnızca 50 görüntünün bulunduğu altı sınıflı daha zengin görevde tablo tersine döndü: No-QCNN doğrulama doğruluğu yaklaşık %82’ye çıkarken klasik CNN %40’a geriledi; bu da kuvvetli bir aşırı uyumun işaretiydi.

Kuantum Görüntülemenin En Çok Yardımcı Olduğu Yerler

Deneyler hem umut hem sınırları ortaya koydu. Yazarlar veri seti boyutunu ve eğitim süresini artırdıkça No-QCNN’in performansı kademeli olarak düştü. Sabit sayıdaki qubit ve sığ devre derinliği modelin daha fazla veriyi kolayca özümsemesini zorlaştırdı ve kuantum durumlarının tekrarlı örneklenmesi eğitime gürültü ekledi. Yine de küçük, korelasyon açısından zengin veri kümelerinde—özellikle sınıf başına çok az görüntü içeren altı sınıflı görevde—kuantum model klasik CNN’den daha iyi genelleme yaptı. Düz ifadeyle, kuantum devre eğitim görüntülerini ezberleme eğilimine daha az kapıldı ve bunun yerine yeni örneklere daha güvenilir şekilde transfer olan bir kural öğrendi.

Gelecek İçin Anlamı

Uzman olmayan bir okuyucu için çıkarılacak ana nokta şudur: kuantum versiyonlu sinir ağları tüm görüntü problemlerine sihirli hızlanmalar getiren çözümler değildir ve bugünkü derin öğrenme sistemlerinin yerini almak üzere hazır değillerdir. Bunun yerine bu çalışma, kuantum donanımının ilk olarak önem kazanabileceği gerçekçi bir nişi tanımlıyor: desenlerin ince olduğu ve klasik modellerin kolayca aşırı uymaya eğilimli olduğu küçük, düşük veri görevleri. No-QCNN, (burada simüle edilmiş olan) bugünün erken, gürültülü kuantum platformlarında bile dikkatle tasarlanmış kuantum devrelerinin genellemede klasik CNN’lerle rekabet edebileceğini —hatta bazen onları geçebileceğini— gösteriyor, ancak eğitim süreleri çok daha uzun olabiliyor. Kuantum işlemciler daha güçlü ve daha az hataya yatkın hâle geldikçe, No-QCNN gibi mimariler tıpta, uzaktan algılamada ve ötesinde uzmanlaşmış görsel görevler için pratik araçlara dönüşebilir.

Atıf: Daka, C., Bhattacharyya, S. A novel quantum convolutional neural network framework for quantum-enhanced classification of pixelated colour images. Sci Rep 16, 10828 (2026). https://doi.org/10.1038/s41598-026-45140-w

Anahtar kelimeler: kuantum makine öğrenimi, görüntü sınıflandırma, kuantum sinir ağları, düşük çözünürlüklü görüntüler, hibrit kuantum-klasik modeller