Gelişmiş melez kuantum-klasik derin öğrenme sınıflandırması için QAOA’da kuantum kaosu teşhislerinden yararlanma

Kaosun bilgisayarlara görmede nasıl yardımcı olabileceği

Modern bilgisayarlar, el yazısı rakamlar gibi verilerdeki desenleri tanımada kuantum fiziğinden destek alıyor. Ancak kuantum devreleri şaşırtıcı derecede vahşi davranabilir; ayarlardaki küçük değişiklikler çıktıda büyük farklara yol açabilir. Bu çalışma basit bir soruyu gündeme getiriyor: bu vahşi, “kaotik” davranışla savaşmak yerine, onu ölçüp melez kuantum–klasik bir sistemin görüntüleri daha doğru sınıflandırmasına yardımcı olacak yararlı bir sinyale dönüştürebilir miyiz?

Popüler bir kuantum algoritmasına yeni bir yaklaşım

Araştırmacılar Quantum Approximate Optimization Algorithm (QAOA) üzerine inşa ediyor; QAOA başlangıçta zor optimizasyon problemlerini çözmek için tasarlanmıştı. Burada QAOA, sıradan verileri klasik bir sinir ağının son tahmini yapmadan önce daha zengin bir kuantum desene dönüştüren bir tür kuantum merceği olarak yeniden kullanılıyor. QAOA katmanları kuantum bitlerini yapılandırılmış ama karmaşık bir şekilde karıştırıp dolayısıyla devre, küçük ayarlamaların kontrol açılarında son durumu güçlü şekilde etkilediği kaotik bir dinamik sistem gibi davranabiliyor. Bunu bir sorun olarak görmek yerine yazarlar derinlemesine inceliyor ve bunu öğrenme algoritmasına verilebilecek tek bir sayısal özellikte yakalamaya çalışıyorlar.

Bir kuantum devresinde kaosu “dinlemek”

Kaotik davranışı “dinlemek” için ekip, kuantum fiziğinden zaman-dışı sıralanmamış korelatör (out-of-time-ordered correlator) adlı bir araç kullanıyor. Basitçe söylemek gerekirse, bu araç devrenin bir bölgesine yapılan küçük, yerel bir dokunuşun bilgiyi nasıl yaydığını ve karıştırdığını izliyor. Yazarlar QAOA açıları'nın genel gücünü tek boyutlu bir doğrultuda değiştiriyor ve bu karıştırma ölçüsünün nasıl dalgalandığını kaydediyor. Eğrinin diplerinin konumları hassasiyetin işaret taşları gibi davranıyor: dipler birbirine yakınsa devre küçük değişikliklere karşı son derece duyarlıdır. Derinlikler ve parametre seçimleri boyunca birçok böyle dip arasındaki boşlukları inceleyerek, çarpanlı, kaos benzeri büyüme süreçlerinin bir göstergesi olan “lognormal” bir istatistiksel desen buluyorlar.

Kaos sinyalini bir öğrenme özelliğine dönüştürmek

Bu analiz üzerine kurarak yazarlar, küçük dengeli bir MNIST el yazısı rakam görüntü kümesini sınıflandırmak için iki melez model tasarlıyor. Standart tasarımda görüntüler birkaç sayıya sıkıştırılıyor, 4, 6, 8 veya 10 kubitte sığ bir QAOA devresinden geçiriliyor ve her kubitten elde edilen ortalama ölçüm klasik bir sinir ağına girdi olarak veriliyor. Kaos farkında tasarımda ise bir bileşen daha ekleniyor: eğitilmiş devrenin karıştırma eğrisinden hassasiyet dipleri arasındaki tipik aralık hesaplanıyor ve önceden uyarlanmış lognormal modele göre bu aralık standartlaştırılmış bir “kaos puanı”na dönüştürülüyor. Devrenin ne kadar hassas şekilde ayarlandığını özetleyen bu tek sayı, sınıflandırmadan önce olağan kuantum özelliklerine ekleniyor.

Bir kuantum “Goldilocks” bölgesi bulmak

İki model yalnızca kaos puanının varlığı veya yokluğu farklı olacak şekilde tekrarlı ve eşleştirilmiş eğitim koşuları kullanılarak dikkatle karşılaştırılıyor. 4, 6 veya 8 kubitli daha küçük devrelerde kaos farkındalıklı versiyon sürekli olarak daha yüksek test doğruluğu sağlıyor; performansı yaklaşık 1.6 ile 1.8 yüzde puanı arasında artırıyor ve eşleştirilmiş koşuların büyük çoğunluğunda kazanıyor. En iyi sonuçlar 8 kubitli devrelerde görülüyor; kaos özelliğiyle test setinde yaklaşık yüzde 90 doğruluğa ulaşıyor ve tüm karşılaştırmalarda üstün çıkıyor. Ancak devre genişliği 10 kubite çıkarıldığında, eklenen kaos puanı zararlı hale gelmeye başlıyor ve doğruluk standart modele kıyasla düşüyor. Bu desen, devrenin kaostan fayda sağlayacak kadar ifade gücüne sahip ancak kararsız hale gelmeyecek kadar az hassas olduğu bir “Goldilocks” rejimini işaret ediyor.

Gelecek kuantum öğrenme makineleri için bunun anlamı

Uzman olmayanlar için kilit mesaj şudur: kuantum devrelerindeki kaos yalnızca kontrol tehdidi değildir; ölçülüp akıllıca kullanıldığında bir kaynak da olabilir. Karıştırma davranışının karmaşıklığını tek, kalibre edilmiş bir sayıya indirerek yazarlar melez kuantum–klasik modellere devre zenginliğini veri karmaşıklığına uydurmaya yardımcı olan ekstra bir düğme veriyor. Ilımlı, gürültüsüz simülasyonlarda bu ekstra düğme mimariyi değiştirmeden görüntü sınıflandırmasını iyileştiriyor. Gerçek kuantum cihazları büyümeye devam edip hâlâ kusurlu kaldıkça, böyle kaos farkındalıklı teşhisler devre derinliğini ve boyutunu ayarlamak, daha sağlam hata stratejileri tasarlamak ve nihayetinde kuantumla geliştirilmiş öğrenme sistemlerini daha güvenilir hale getirmek için pratik araçlar haline gelebilir.

Atıf: Villalba-Díez, J., Losada-González, J.C. Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification. Sci Rep 16, 15744 (2026). https://doi.org/10.1038/s41598-026-51870-8

Anahtar kelimeler: kuantum makine öğrenimi, QAOA, kuantum kaosu, melez kuantum klasik, görüntü sınıflandırma