Kuantum Devrelerinde Kapı ve Giriş Tespiti için YOLO Tabanlı Bir Yöntem

Authors : Reyhan YILMAZ, Orhan YAMAN, Mehmet KARAKÖSE
Pages : 527-540
Doi:10.35234/fumbd.1269274
View : 109 | Download : 174
Publication Date : 2023-09-01
Article Type : Research Paper
Abstract :Tersinir kuantum devreleri farklı türde ve sayıdaki kuantum kapıları kullanılarak oluşturulmaktadır. Kuantum devreleri oluşturulurken kullanılacak kapı sayısının optimize edilmesi maliyeti ve karmaşıklığı azaltmaktadır. Tersinir kuantum devrelerinde durum tablolarının elde edilmesi ve optimizasyonu için giriş sayısı, çıkış sayısı ve kapı sayılarının bilinmesi önemlidir. Ayrıca bu parametreler kuantum devrelerinde oluşabilecek arızaların tespit edilmesinde de kullanılmaktadır. Literatürde kuantum devreleri için giriş, çıkış ve kapı sayılarının tespitinde eksiklik vardır. Ayrıca, literatürde yapılan uygulamaların test edilebilmesi için sınırlı sayıdaki standart kuantum devreleri kullanılmaktadır. Bu kapsamda kullanılabilecek veri setlerinin çok az olduğu tespit edilmiştir. Literatürdeki bu eksikliklerin giderilmesi çalışmamızın amacını, önerilen yöntem ise çalışmamızın özgünlüğünü oluşturmaktadır. Bu çalışmada Yolo insert ignore into journalissuearticles values(You Only Look Once); tabanlı yöntemler kullanılarak kapı sayısı ve giriş sayısı tespit edilmiştir. “MATLAB” ve “RCViewer+” programları kullanılarak CNOT, Feynman ve Toffoli kapılarından oluşan büyük bir veri seti oluşturulmuştur. Bu çalışmada, 1-8 kapı sayısına ve 3-7 giriş sayısına sahip toplamda 5000 adet kuantum devre oluşturulmuştur. Elde edilen veri setleri üzerinde kapılar ve girişler etiketlenmiştir. Etiketlenen veri setleri üzerinde 80:20 eğitim ve test oranı ile YoloV4, YoloV7 ve YoloV7x yöntemleri uygulanmıştır. YoloV4, YoloV7 ve YoloV7x yöntemleri için sırasıyla %87.1, %89.7 ve %89.3 mAP hesaplanmıştır. Önerilen yöntem 2800 iterasyon çalıştırılmış ve en iyi sonuç YoloV7 algoritması ile elde edilmiştir.
Keywords : Kuantum, kuantum devresi, derin öğrenme, kapı tespiti, YoloV4, YoloV7

ORIGINAL ARTICLE URL