Multiple-Triangle Ansatz (MuTA), ölçüm tabanlı kuantum hesaplama (Measurement-Based Quantum Computing, MBQC) üzerinde çalışan, tek boyutlu küme durumlarını üçgen biçimli bağlantılarla birleştiren ve ölçüm açılarını öğrenilebilir parametreler olarak kullanan evrensel bir kuantum sinir ağı mimarisidir. Çalışma, kuantum makine öğrenmesinin çoğunlukla kapı tabanlı kuantum devreleri üzerinden kurulmasına alternatif olarak MBQC'yi doğrudan makine öğrenmesi modeli haline getirmektedir. Yazarlar MuTA'nın deterministik hesaplama, evrensellik, ayarlanabilir dolaşıklık, mühendislik yapılabilir indüktif yanlılık, ölçeklenebilir parametre sayısı, monoton ifade gücü ve iki-renklenebilir grafik yapısı gibi özelliklerini matematiksel olarak incelemekte; ardından evrensel kuantum kapılarının öğrenilmesi, gürültülü eğitim, kuantum durum sınıflandırması, kuantum teleportasyon aracı, klasik verilerin kuantum kernel ile sınıflandırılması ve fotonik Gottesman-Kitaev-Preskill (GKP) kısıtları altında eğitim gibi görevleri sayısal olarak test etmektedir. Sonuçlar MuTA'nın bu görevleri incelenen simülasyon koşullarında yerine getirebildiğini göstermektedir; ancak çalışma gerçek bir kuantum işlemci üzerinde deneysel doğrulama veya klasik algoritmalara karşı genel kuantum üstünlüğü kanıtı sunmamaktadır.

MuTA'nın temel fikri, kuantum devresindeki ayarlanabilir kapıları doğrudan optimize etmek yerine, önceden hazırlanmış dolaşık bir kaynak durum üzerindeki tek-kübit ölçümlerinin açılarını öğrenmektir. MBQC'de hesaplama, kaynak durumdaki kübitler ölçüldükçe ilerler; önceki ölçüm sonuçları sonraki ölçüm açılarını etkileyebilir. MuTA'nın grafik geometrisi bu süreç için gerekli flow yapısını sağlayacak biçimde tasarlanmıştır. Böylece kuantum ölçümünün içsel rastlantısallığına rağmen uygun klasik geri besleme kullanıldığında hesaplama deterministik hale getirilebilir.

Çalışmanın sayısal örneklerinden biri iki-kübit durumları kuantum Fisher bilgisine göre ayırmaktadır. Model, yaklaşık standart kuantum sınırının altında ve üstünde kalan durumları ayırmak üzere eğitilmiş; belirlenen belirsiz sınır bölgesi dışarıda bırakıldığında ayrılmış test kümesinde 0,9725 ± 0,0042 doğruluk bildirilmiştir. Haar-rastgele durumlarda ise sınır çevresindeki örnekler dahil edildiğinde %96, bu örnekler dışarıda bırakıldığında %99 doğruluk raporlanmıştır. Başka bir deneyde MuTA, bir kuantum aracını öğrenerek kübit 8'deki durumu kübit 22'ye birim fidelity ile teleport etmeyi öğrenmiştir. Bunlar modelin incelenen sayısal örneklerdeki yeteneğini gösterir; büyük ölçekli fiziksel işlemci performansına doğrudan genellenemez.

Ölçüm Tabanlı Kuantum Makine Öğrenmesi Nedir?

Ölçüm tabanlı kuantum makine öğrenmesi (MB-QML), önceden hazırlanmış dolaşık bir kuantum kaynak durumunu parametrik tek-kübit ölçümleriyle işleyen ve bu ölçümlerin açılarını bir makine öğrenmesi kayıp fonksiyonunu en aza indirecek biçimde optimize eden kuantum makine öğrenmesi yaklaşımıdır. Kapı tabanlı değişken kuantum devrelerinden farklı olarak öğrenilebilir yapının önemli bölümü doğrudan kuantum kapılarında değil, kaynak grafiğinin geometrisinde ve ölçüm örüntüsünde bulunur.

MBQC'de hesaplama nasıl temsil edilir?

Çalışmada MBQC'nin temel kaynaklarından biri grafik durumudur. Bir \(G=(V,E)\) grafiği için kaynak durum şu şekilde yazılır:

\[ |G\rangle = \prod_{(i,j)\in E} CZ_{ij}|+\rangle^{\otimes n}. \tag{1} \]

Burada \(V\) grafiğin düğümlerini, \(E\) kenarlarını, \(CZ_{ij}\) ise \(i\) ve \(j\) kübitleri arasında uygulanan Controlled-Z kapısını gösterir. \(|+\rangle\), Pauli-\(X\) operatörünün \(+1\) özdurumudur. Bu denklem, başlangıçta ayrı bulunan \(|+\rangle\) kübitlerinin grafik kenarlarının tanımladığı \(CZ\) işlemleriyle dolaşık bir kaynak durumuna dönüştürüldüğünü ifade eder.

Kaynak durum üzerinde çıktı kübitleri dışında kalan düğümler ölçülür. Çalışmanın temel ölçüm düzlemi \(XY\) düzlemidir:

\[ M_{\alpha}^{i}=\cos(\alpha)X_i+\sin(\alpha)Y_i, \qquad \alpha\in(-\pi,\pi]. \]

\(\alpha\) ölçüm bazının açısını belirler. MuTA'nın makine öğrenmesi açısından kritik noktası, bu açıların yalnız sabit operasyon parametreleri olmaması; uygun görevlerde öğrenilebilir değişkenler haline gelmesidir.

Ölçümlerin rastlantısallığı neden hesaplamayı bozmaz?

Kuantum ölçüm sonuçları rastlantısaldır. MBQC'de aynı mantıksal işlemin her çalıştırmada elde edilebilmesi için sonraki ölçümler, daha önce alınan sonuçlara göre uyarlanır. Çalışma bu deterministik adaptasyonu garanti etmek amacıyla grafik üzerinde flow koşulunu kullanmaktadır.

\((G,I,O)\) ile tanımlanan açık bir grafik için \(f:V\setminus O\rightarrow V\setminus I\) fonksiyonu ve bir kısmi sıralama \(<\) bulunuyorsa ve her \(i\) için

\[ (i,f(i))\in E, \]

\[ i

ve \(f(i)\)'nin \(i\) dışındaki komşuları için

\[ j\in N_G[f(i)]\setminus\{i\} \quad\Rightarrow\quad i

koşulları sağlanıyorsa kaynak durumun flow'a sahip olduğu kabul edilir. Bu yapı, ölçümleri kısmi sıralamayla uyumlu bir zamanda yaparak önceki sonuçların sonraki ölçümlere klasik geri besleme olarak aktarılmasını sağlar.

Bir \((-1)\) ölçüm sonucunun etkisi, takip eden kübitlerde uygun Pauli düzeltmeleri veya buna denk ölçüm açısı adaptasyonlarıyla giderilebilir. Bu nedenle MBQC'de “ölçüm” yalnız kuantum bilgisini okumak anlamına gelmez; hesaplamanın kendisinin aktif bir parçasıdır.

MB-QML'de öğrenme problemi

Klasik denetimli öğrenmede bir model \(f_\theta\), sınırlı bir veri kümesinden girdi-çıktı ilişkisini öğrenir. Çalışma bu mantığı MBQC'ye taşıyarak \(f_\theta\)'yı ölçüm açılarıyla tanımlanan bir kuantum dönüşümü olarak kurar. Ölçüm açıları

\[ \vec{\alpha}= (\alpha_0,\ldots,\alpha_{|V\setminus O|-1}) \]

modelin değişken parametreleridir.

Saf kuantum durumlarından oluşan

\[ D=\{(|\psi\rangle_i,|\phi\rangle_i)\}_{i=1}^{N} \]

veri kümesi için çalışma ortalama infidelity kaybını

\[ \ell(\vec{\alpha},D) = 1-\frac{1}{N} \sum_i F\left( U_{\vec{\alpha}}|\psi\rangle_i, |\phi\rangle_i \right) \tag{2} \]

olarak kullanır. Saf durum fidelity'si

\[ F(|\psi\rangle,|\phi\rangle) = |\langle\psi|\phi\rangle|^2 \]

şeklindedir. Fidelity 1'e yaklaştıkça üretilen durum hedef duruma yaklaşır; buna karşılık \(\ell\) sıfıra yaklaşır. Eğitim, ölçüm açılarını bu kaybı azaltacak şekilde değiştirmektedir.

MuTA Neden Evrensel Bir Kuantum Sinir Ağıdır?

MuTA evrenseldir çünkü yeterli derinlikteki bir MuTA, keyfi tek-kübit üniterlerini ve evrensel hesaplama için gerekli dolaştırıcı bir \(IsingXX\) kapısını gerçekleştirebilir; bu kapılar birlikte herhangi bir \(n\)-kübit üniter dönüşümün ayrıştırılması için evrensel bir kapı kümesi oluşturur. Evrensellik çalışmada yalnız sayısal eğitim başarısına dayanmaz; MuTA'nın ölçüm örüntülerinin bu kapıları tam olarak gerçekleştirebildiği matematiksel olarak gösterilir.

Multiple-Triangle Ansatz'ın geometrisi

MuTA, paralel bir-boyutlu küme durumlarının belirli sütunlarda üçgen bağlantılarla birbirine bağlanmasından oluşur. \(Q_{i,k}\), \(i\) numaralı satırın \(k\) numaralı kübitini ifade eder. İki tel arasındaki üçgen yapı

\[ T_{i,j,k} = Q_{i,k}\cup Q_{j,k-1}\cup Q_{j,k}\cup Q_{j,k+1} \]

olarak tanımlanır. Üçgenin taban merkezindeki kübit

\[ C_{i,j,k}=Q_{j,k} \]

özellikle iki tel arasındaki dolaşıklığın ayarlanmasında merkezi rol oynar.

MuTA'nın yedi temel özelliği

Evrenselliğin kapı düzeyindeki mantığı

Herhangi bir tek-kübit üniteri Euler ayrışımıyla

\[ V' = R_x(-\lambda)R_z(-\varphi)R_x(-\theta) \]

şeklinde yazılabilir. Burada

\[ R_x(\alpha)=e^{-i\alpha X/2}, \qquad R_z(\alpha)=e^{-i\alpha Z/2}. \]

MuTA'nın beş-kübitlik tek bir teli bu tür tek-kübit dönüşümlerini uygun ölçüm açılarıyla gerçekleştirebilir. Teller arasındaki üçgen ise

\[ IsingXX(\phi) = \exp\left(-i\frac{\phi}{2}X\otimes X\right) \]

tipinde dolaştırıcı işlemler sağlayabilir. Keyfi tek-kübit üniterleri ile en az bir uygun dolaştırıcı iki-kübit kapısı evrensel kapı kümesi oluşturduğundan, yeterli MuTA katmanı birleştirilerek herhangi bir \(V\in U(2^n)\) üniterinin gerçekleştirilebileceği sonucuna ulaşılır.

MuTA'da Ayarlanabilir Dolaşıklık Nasıl Sağlanır?

MuTA'da iki tel arasındaki dolaşıklık, bu telleri bağlayan üçgenin taban merkezindeki \(C_{i,j}\) kübitinin ölçüm açısıyla kontrol edilir: ilgili açı \(0\) veya \(\pi\) olduğunda bağlantı dolaştırıcı olmayan bir işlem verirken, bu iki değerin dışında uygun bir açı seçildiğinde \(IsingXX\) türünde dolaştırıcı bir işlem oluşabilir. Böylece geometrik bağlantının bulunması, tellerin her durumda zorunlu olarak dolaştırılması anlamına gelmez.

Kaynakta ilgili iki-kübit işlem

\[ U_{i,k} = \exp\left( i\frac{\alpha_k}{2}X_iX_k \right) \]

biçiminde ifade edilir. Bir merkez ölçüm açısının sıfıra çekilmesi ilgili dolaştırıcı bileşeni etkisiz hale getirebilir. Bu davranış klasik bir sinir ağındaki bağlantı ağırlığının bilgi aktarımını ayarlamasına benzer bir mimari rol üstlenir; ancak burada süreç kuantum üniterleri ve dolaşıklık üzerinden gerçekleşir.

İfade gücünün monotonluğu neden ayrıca önemli?

Bir değişken kuantum modelini büyütmek her zaman önceki model ailesini kapsayacağı anlamına gelmez. MuTA için çalışma belirli genişletme işlemlerinin ifade gücünü azaltmadığını göstermektedir. Bunlar yeni katman eklemek, bağlantısız tel eklemek ve belirlenen koşullarda yeni üçgen bağlantılar ekleyerek gerekli tel kapasitesini ek bir katmanla geri kazandırmaktır.

Yeni bir MuTA katmanı bütün ölçümler \(X\) bazında, yani \(\alpha=0\) seçilerek özdeşlik işlemine dönüştürülebilir. Bu nedenle yalnız katman eklenmiş olması eski dönüşümü erişilemez hale getirmez.

Klasik sinir ağı bağlantılarıyla ilişki

Kaynak Şekil 2, klasik bir feed-forward sinir ağındaki belirli bağlantı geometrisinin MuTA üçgenlerine aktarılabileceğini göstermektedir. Bir klasik ağ düğümünün yalnız belirli diğer düğümlere bağlandığı durumda, MuTA'nın intra-layer connectivity yapısı da aynı komşuluk fikrini temsil edecek biçimde seçilebilir. Bu eşleştirme “klasik ağ ile MuTA matematiksel olarak aynı modeldir” anlamına gelmez; yalnız bağlantı geometrisi ve bilgi etkileşimi açısından bir yapı aktarımıdır.

Bias engineering neden gereklidir?

Evrensel bir model teorik olarak çok geniş bir fonksiyon sınıfını temsil edebilir; fakat gereğinden fazla ifade gücü eğitim sorunları yaratabilir. Çalışma özellikle kuantum sinir ağlarındaki barren plateau problemi ve quantum no-free-lunch sonuçları bağlamında, evrenselliğin göreve uygun bir bias ile birlikte düşünülmesi gerektiğini vurgulamaktadır.

MuTA'da bias şu öğelerle mühendislik edilebilir:

• toplam katman derinliği,
• her katmanın genişliği,
• katman içindeki üçgen bağlantılar,
• katmanlar arası bağlantılar,
• ölçüm açılarının serbest veya kısıtlı tutulması.

Bu yapı, model ailesinin problemin bilinen simetrilerine veya bağlantı yapısına göre sınırlandırılmasına olanak verir.

MuTA ile devre modeli arasındaki matematiksel bağlantı

Ek B, flow'a sahip bir MBQC grafiğinin üniter devre modeline sistematik olarak çevrilebileceğini gösterir. Bir ölçüm, uygun tel boyunca kuantum durumunu bir sonraki düğüme aktarırken aynı zamanda

\[ H e^{i\alpha Z/2} \]

türünde bir üniter etki oluşturur. Kavşak düğümlerindeki grafik kenarları devre gösteriminde \(CZ\) kapılarına dönüşür. Bu dönüşüm MuTA'nın hangi ölçümünün hangi tek- veya iki-kübit operatörünü ürettiğini açıkça görmeyi sağlar.

Tam bağlantılı genel bir MuTA katmanında iki-kübit bileşenlerin \(IsingXX_{ij}(-\alpha)\) biçiminde ortaya çıkması, ayarlanabilir dolaşıklık ve evrensellik sonuçlarının devre modeli açısından da izlenebilmesini sağlar.

Sonsuz derinlikte ifade gücü ve Lie cebiri

Ek C, parametrik kuantum devrelerinin ifade gücünü dinamik Lie cebiri üzerinden ele almaktadır. Tam bağlantılı \(n\)-satırlı MuTA için ilgili Lie cebiri

\[ \mathfrak{g}=su(2^n) \]

olarak bulunur ve boyutu

\[ \dim(\mathfrak{g})=2^{2n}-1 \]

olur. Bu, MuTA'nın evrenselliğiyle uyumludur.

Çalışma ayrıca infidelity kaybının varyansına ilişkin

\[ \mathrm{Var}[\ell] \leq \frac{2^n}{\dim(\mathfrak{g})} \tag{C1} \]

sınırını anarak ifade gücünün sınırsızca artırılmasının eğitim açısından otomatik olarak iyi olmadığına dikkat çeker. Modelin güçlü olması ile kolay eğitilebilir olması aynı kavram değildir.

Çalışmanın Yöntemi ve Bulguları

1. Evrensel kapı kümesinin öğrenilmesi

MuTA'nın evrenselliği önce analitik olarak gösterildikten sonra, çalışma bunun öğrenme yoluyla bulunup bulunamayacağını sayısal olarak sınamıştır. Kullanılan temel mimari Şekil 1(b)'deki \((2,0)\)-MuTA katmanıdır.

Her hedef üniter \(U\) için veri kümesi

\[ D= \{ (|\psi\rangle_i,U|\psi\rangle_i) \}_{i=1}^{N} \]

biçimindedir ve optimize edilen amaç Denklem (2)'deki ortalama infidelity'dir.

Kaynak Şekil 3'te hem tek-kübit Haar-rastgele üniterleri hem de \(IsingXX(\pi/2)\) hedefi için eğitim ve test kayıplarının hızlı biçimde düştüğü görülmektedir. Grafikler 20 bağımsız çalışmanın ortalamasını, gölgeli bölgeler ise standart sapmayı göstermektedir. Kaynak, bu grafik için her eğitim adımının ham sayısal değerlerini tablo halinde vermediğinden burada grafikten kesin ara değerler üretilmemiştir.

2. Gürültülü veriyle öğrenme

Çalışma iki farklı veri gürültüsü modeli kullanır: Brownian devreleriyle yaklaşıklanan depolarizasyon etkisi ve bit-flip gürültüsü.

Brownian durumda gürültülü üniter

\[ V_i= \prod_{j=0}^{r}e^{iH_{i,j}\Delta t} \]

şeklindedir. Sistem kısa \(\Delta t\) adımlarında rastgele Hamiltonyenler altında evrilir.

Bit-flip modelinde ise her kübit \(p\) olasılıkla \(X\) dönüşümüne maruz bırakılır.

Kaynak Şekil 4, gürültü arttıkça optimize edilmiş fidelity'nin kademeli biçimde düştüğünü göstermektedir. Bit-flip durumunda model, iki-kübit veri kümesinin çoğunluğu çevrilmediği sürece doğru parametreleri öğrenebilmektedir. Çalışmada ilgili eşik

\[ p< 1-\sqrt{\frac{1}{2}} \approx 0.29 \]

olarak belirtilmiştir.

3. Gürültülü kaynak durumunun etkisi

Veri gürültüsünden ayrı olarak Ek D doğrudan MuTA kaynak kübitlerine etki eden tek-kübit depolarizasyon kanalını inceler:

\[ \mathcal{N}_{dep}(\rho) = (1-p)\rho + \frac{p}{3}X\rho X + \frac{p}{3}Y\rho Y + \frac{p}{3}Z\rho Z. \]

Bu kanal MuTA'nın her kübitine uygulanmaktadır. Gürültü nedeniyle standart ölçüm-açısı düzeltmesi artık bütün \((-1)\) sonuçlarını genel durumda kusursuz biçimde telafi etmez. Bu nedenle simülasyonda olası ölçüm sonuçlarının etkileri hesaba katılarak karışık çıktı durumu \(\rho\) elde edilir ve fidelity terimi

\[ \langle\phi|\rho|\phi\rangle \]

ile değerlendirilir.

Kaynak Şekil 11'de \(IsingXX(\pi/2)\) öğrenilirken modelin ideal kaynak durumu üzerinde test edildiğinde yaklaşık \(p\sim0.4\)'a kadar gürültüsüz çalışma için uygun ölçüm açılarını öğrenmeye devam ettiği gözlenmektedir. Bu sayı grafikten ve yazarların kendi yorumundan gelen yaklaşık bir sınırdır; “%40 fiziksel hata oranında gerçek donanım güvenilir çalışır” biçiminde yorumlanamaz.

Kuantum Fisher Bilgisi Bu Sınıflandırmada Neyi Ölçer?

Kuantum Fisher bilgisi (Quantum Fisher Information, QFI), bir kuantum durumunun bilinmeyen bir parametre hakkında taşıdığı tahmin edilebilir bilgiyi nicelleştirir ve uygun koşullarda parametre tahmin varyansının erişebileceği alt sınırı belirler. Çalışmada MuTA, iki-kübit durumları QFI değerlerinin standart kuantum sınırının altında veya üstünde olmasına göre sınıflandırmak üzere eğitilmiştir.

Kuantum Cramér-Rao sınırı

Bir \(\theta\) parametresinin tahmini için kuantum Cramér-Rao sınırı

\[ \mathrm{Var}(\hat{\theta}) \geq [mF_Q(\theta)]^{-1} \]

şeklindedir. Burada \(m\), yeterince büyük deney tekrar sayısını, \(F_Q\) ise kuantum Fisher bilgisini gösterir. QFI büyüdükçe teorik olarak erişilebilir en düşük tahmin varyansı küçülür.

Çalışmanın saf durum örneğinde

\[ |\psi(\theta)\rangle = e^{-i\theta H}|\psi(0)\rangle \]

ve

\[ F_Q=4\,\mathrm{Var}(H) \]

kullanılır.

İki-kübit probleminde

\[ H=h\otimes\mathbf{1}+\mathbf{1}\otimes h \]

ve

\[ h=\alpha_x X+\alpha_y Y+\alpha_z Z, \qquad \alpha_x^2+\alpha_y^2+\alpha_z^2=\frac14 \]

seçilmiştir. Bu normalizasyon altında standart kuantum sınırı

\[ F_Q^{(SQL)}=2 \]

ve Heisenberg sınırı

\[ F_Q^{(HL)}=4 \]

olarak verilir.

Sınıflandırma kayıp fonksiyonu

Modelin tahmin ettiği QFI, ölçüm sonuçlarına ait \(p^+\) ve \(p^-\) olasılıklarının ikinci dereceden bir polinomu üzerinden oluşturulur:

\[ \hat{F}_{\alpha,\beta}(|\psi\rangle) = f_\beta[ p_\alpha^+(|\psi\rangle), p_\alpha^-(|\psi\rangle) ]. \]

Kaynak bu tahmini kullanarak aşağıdaki soft-margin kaybını tanımlar:

\[ \ell(\alpha,\beta) = \frac1N \sum_{i=1}^{N} \Big[ y_i \max\{0,-\hat{F}_{\alpha,\beta}(|\psi\rangle_i)+2+\epsilon\} + (1-y_i) \max\{0,\hat{F}_{\alpha,\beta}(|\psi\rangle_i)-2+\epsilon\} \Big]. \tag{3} \]

\(\epsilon\), sınıflandırma sınırının çevresindeki marjın genişliğini kontrol eder. \(\epsilon>0\) kullanılması \(\hat F=2\) biçimindeki anlamsız sabit çözümün önlenmesine yardımcı olur.

QFI sınıflandırmasının veri yapısı

Eğitim durumları iki iki-parametreli aileden örneklenir:

\[ S_1= \{ \cos\theta|00\rangle + e^{i\phi}\sin\theta|11\rangle \}, \]

\[ S_2= \{ \cos\theta|++\rangle + e^{i\phi}\sin\theta|--\rangle \}, \]

ve \(\theta,\phi\) değerleri \(U(0,2\pi)\) dağılımından alınır.

Kaynak Şekil 5, öğrenilen ikinci dereceden karar yüzeyini ve Haar-rastgele durumların bu yüzey üzerindeki dağılımını gösterir. Yazarlar ayrıca bilinen bir \(h\) operatörü için QFI'nin çıkarılmasının makine öğrenmesi gerektirmediğini açıkça belirtmektedir. Bu örneğin bilimsel amacı, QFI'yi klasik yöntemle hesaplamaktan daha iyi bir yol bulmak değil; operasyonel bir ölçüt doğrudan bilinmediğinde MB-QML'nin kuantum durum sınıflandırmasını öğrenebilme potansiyelini göstermektir.

4. Kuantum teleportasyon aracının öğrenilmesi

MuTA yalnız sabit bir üniter dönüşümü değil, önceki ölçüm sonuçlarına koşullu işlemleri de öğrenmek üzere genişletilmiştir. Çalışma bunun örneği olarak bir kuantum aracı kullanır.

Bir kuantum aracı

\[ \mathcal I=\{(x,\mathcal E_x)\}_{x\in X} \]

biçiminde, her klasik sonuç \(x\) için tamamen pozitif ve trace-non-increasing bir \(\mathcal E_x\) haritası içerir. Toplam harita trace-preserving'dir.

Teleportasyon süreci kavramsal olarak üç aşamadan oluşur:

1. maksimum dolaşık iki-kübitlik bir kaynak oluşturmak,
2. teleport edilecek durum ile dolaşık çiftin bir yarısını ortak bir bazda ölçmek,
3. ölçüm sonucuna göre kalan kübite koşullu üniter düzeltme uygulamak.

Kaynak Şekil 6'daki MuTA yapısı bu üç işlevi farklı katman ve ölçüm türleriyle temsil eder. Eğitim 10 bağımsız run üzerinden değerlendirilmiş; her run'da 35 eğitim ve 15 test Haar-rastgele durumu kullanılmıştır. Model, durumu kübit 8'den kübit 22'ye birim fidelity ile teleport etmeyi öğrenmiştir. Bu sonuç MuTA içinde klasik ara işlem ve koşullu ölçümlerin makine öğrenmesi modeline entegre edilebildiğine ilişkin bir proof-of-principle'dır.

5. Klasik verilerin MuTA kuantum kerneliyle sınıflandırılması

Çalışma MuTA'yı yalnız kuantum verileri için değil, klasik iki-boyutlu verileri sınıflandırmak için de kullanır. Bunun için bir Support Vector Machine (SVM) modeli ve MuTA tabanlı bir kuantum kernel oluşturulur.

Klasik kernel SVM karar yapısında veri noktası \(x\),

\[ \mathrm{sign} \left[ \sum_{i=1}^{N}a_i y_iK(x,x_i)+b \right] \]

ile sınıflandırılır. Kuantum kernel ise veri noktalarının kuantum durumlarına gömülmesinden sonra

\[ K(x,x') = |\langle\phi(x)|\phi(x')\rangle|^2 \tag{4} \]

olarak tanımlanır.

Ek E'deki MuTA uyumlu feature map

\[ |\phi(x)\rangle = R_1^z(-x_1) R_0^z(-x_0) e^{i\cos(x_0)\cos(x_1)X_0X_1/2} R_1^z(-x_1) R_0^z(-x_0) |00\rangle \tag{E1} \]

şeklindedir. Burada

\[ R_j^z(\alpha)=e^{-i\alpha Z_j/2}. \]

Kernel, iki ayrı grafik durumunda hazırlanan \(|\phi(x)\rangle\) ve \(|\phi(x')\rangle\) durumlarının SWAP testiyle karşılaştırılması yoluyla değerlendirilebilir.

Her model 160 veri noktasıyla eğitilmiş ve 40 veri noktasıyla test edilmiştir. Yazarlar özellikle mevcut kernel'in yüksek boyutlu ve daha kuvvetli doğrusal olmayan veri yapıları için yeterli olmadığını ve MBQC'ye özgü daha güçlü kernel tasarımının açık araştırma problemi olduğunu belirtmektedir.

Fotonik GKP Kısıtları MuTA'nın Eğitimini Nasıl Değiştirir?

Fotonik Gottesman-Kitaev-Preskill (GKP) kübitlerinde ölçülebilen bazlar sürekli bir açı kümesi yerine belirli ayrık açılarla sınırlandığında MuTA'nın sürekli parametre optimizasyonu ayrık bir ölçüm örüntüsü arama problemine dönüşür. Çalışma homodyne ölçümü ve \(|T\rangle\) magic-state enjeksiyonu altında erişilebilir \(\alpha\in\{0,\pi/4,\pi/2\}\) açıları için epsilon-greedy dilim araması ve Deep Q-Learning tabanlı iki sezgisel eğitim yöntemi önermektedir.

Fotonik donanımın getirdiği kısıt

Çalışmada fotonik GKP hesaplaması için homodyne algılama

\[ \alpha\in\{0,\pi/2\} \]

ölçümlerini sağlarken,

\[ |T\rangle \propto |0\rangle+e^{-i\pi/4}|1\rangle \]

magic-state enjeksiyonu evrensellik için

\[ \alpha=\pi/4 \]

açısını ekler. Böylece optimizasyon uzayı

\[ \alpha\in \{0,\pi/4,\pi/2\} \]

ile sınırlanır.

Ayrık optimizasyon genel olarak NP-hard olabilir. Bu nedenle yazarlar kesin global optimizasyon yerine iki sezgisel yöntem inceler.

Epsilon-greedy zamansal dilim araması

İlk yaklaşım, MuTA'nın flow sıralamasına uyumlu ölçüm dilimleri üzerinde arama yapar. Algoritma başlangıç ölçüm açılarını rastgele seçer; önce tek dilimi optimize eder, gerekli olursa aynı anda ele alınan dilim sayısını artırır. Maksimum \(L_{max}\) değerine kadar ilerleme sağlanamazsa parametreler yeniden başlatılır.

Kaynak Şekil 9 için:

Beş run'ın ikisi parametreler yeniden başlatılana kadar ilerleyememiştir. Bu durum algoritmanın deterministik olarak her başlangıçtan başarılı olduğu anlamına gelmediğini gösterir.

Deep Q-Learning yaklaşımı

İkinci yöntemde bütün ölçüm örüntüsü ile sıradaki değiştirilecek ölçümün indeksi reinforcement-learning ajanının durumunu oluşturur. Ajan, ilgili kübit için

\[ \{0,\pi/4,\pi/2\} \]

kümesinden bir açı seçer. Ödül, Denklem (2)'deki kayıpla ilişkili ortalama fidelity'dir:

\[ R=1-\ell. \]

Çalışmada öğrenilen hedef kapı

\[ U= (T\otimes\mathbf 1) \cdot IsingXX(-\pi/4) \]

olup tek bir \((2,0)\)-MuTA katmanında uygun \(|T\rangle\) enjeksiyonlarıyla gerçekleştirilebilir.

Şekil 10'daki DQN deneyinde 5 run, \(N_{train}=21\) ve \(N_{test}=9\) kullanılmıştır. İncelenen küçük problem için epsilon-greedy algoritma DQN'den belirgin biçimde daha hızlı yakınsamıştır. Yazarlar DQN'nin daha büyük giriş durumlarında ve yapısal hedef ölçüm örüntülerinde yararlı olabileceğini öngörmektedir; bu öngörü çalışmada büyük ölçekli deneyle doğrulanmış bir sonuç değildir.

Çalışmanın desteklediği sonuçlar

• MuTA'nın flow özelliği deterministik MBQC ölçüm örüntülerini mümkün kılar.
• MuTA yeterli derinlikte keyfi \(n\)-kübit üniterleri gerçekleştirebilen evrensel bir ansatz'dır.
• Üçgen bağlantılardaki ölçüm açıları teller arası dolaşıklığı ayarlayabilir.
• Belirli mimari genişletmeler MuTA'nın ifade gücünü azaltmaz.
• Parametre sayısı azami genişlik \(n\) ve derinlik \(d\) için \(4dn\) ile sınırlanabilir.
• Sayısal deneylerde tek-kübit üniterleri ve \(IsingXX(\pi/2)\) öğrenilebilmiştir.
• İncelenen simülasyonlarda MuTA gürültülü veri ve gürültülü kaynak durumları altında kademeli performans kaybı göstermiştir.
• İki-kübit QFI sınıflandırması yüksek doğrulukla gerçekleştirilebilmiştir.
• MuTA, koşullu ölçümlerin de kullanıldığı bir teleportasyon kuantum aracını öğrenmiştir.
• MuTA tabanlı kuantum kernel bazı iki-boyutlu klasik toy veri kümelerini başarıyla sınıflandırmıştır.
• Fotonik GKP'ye özgü ayrık ölçüm açıları için iki sezgisel eğitim yöntemi uygulanmıştır.

Çalışmanın desteklemediği sonuçlar

• MB-QML'nin klasik makine öğrenmesine genel veya pratik bir kuantum üstünlüğü kanıtlanmamıştır.
• MuTA'nın gerçek fotonik GKP kuantum bilgisayarında aynı eğitim başarısını vereceği deneysel olarak gösterilmemiştir.
• Simülasyondaki gürültü dayanıklılığı gerçek donanım hata oranıyla birebir eşitlenemez.
• Küçük toy veri kümelerindeki kernel sınıflandırması büyük ve karmaşık gerçek dünya verilerine genellenemez.
• QFI sınıflandırma örneği, kuantum Fisher bilgisinin hesaplanmasında makine öğrenmesinin bilinen yöntemlerden genel olarak üstün olduğunu göstermemektedir.
• Çalışma hata-düzeltilmiş, büyük ölçekli ve fault-tolerant bir MuTA uygulamasını deneysel olarak gerçekleştirmemiştir.
• MuTA'nın doğrudan eşlenmiş klasik sinir ağından daha ifade güçlü olup olmadığı çalışma sonunda açık araştırma sorusu olarak bırakılmıştır.

Gelecek araştırma yönleri

Yazarlar ölçüm geri beslemesi ile klasik ve kuantum ortak işlemeyi daha derin biçimde kullanan modelleri önemli bir devam yönü olarak görmektedir. MBQC'nin orta-devre ölçümlerine doğal uyumu, belirli algoritmalarda daha az kuantum kaynak kullanımı sağlayabilir; ancak MB-QML'nin kapı tabanlı QML'den hangi veri ve problem sınıflarında gerçekten avantajlı olacağını belirleyen genel koşullar henüz açık değildir.

İkinci önemli yön, sıralı kuantum veri kümeleri için recurrent MB-QML veya graph-state tabanlı attention modelleridir. Ölçüm geri beslemesi klasik bellekle bütünleştirildiğinde kaynak verimliliği açısından yeni mimariler geliştirilebilir.

Çalışma ayrıca deterministik MBQC üzerinde yoğunlaşmıştır. Kuantum ölçümlerinin doğal rastlantısallığını eğitim parametresi olarak kullanan olasılıksal ölçüm adaptasyonlarının MuTA'nın ifade gücünü nasıl değiştirdiği açık araştırma konusudur.

Son olarak klasik feed-forward sinir ağı geometrisinin MuTA'ya aktarılabilmesi, aynı geometriden oluşturulan kuantum modelin klasik karşılığına göre daha ifade güçlü olup olmadığı sorusunu ortaya çıkarmaktadır. Kaynak çalışma bu soruya kesin cevap vermemektedir.

Kaynak ve Yöntem Notu

Tam özgün başlık: Measurement-based quantum machine learning

Yazarlar: Luis Mantilla Calderón; Robert Raussendorf; Polina Feldmann; Dmytro Bondarenko.

Sorumlu yazar: Luis Mantilla Calderón.

Eş katkı: Hakemli yayın kaydında Polina Feldmann ve Dmytro Bondarenko eş katkılı yazarlar olarak belirtilmiştir.

Kurumlar: Department of Computer Science, University of Toronto; Vector Institute for Artificial Intelligence; Department of Physics & Astronomy, University of British Columbia; Stewart Blusson Quantum Matter Institute, University of British Columbia; Institut für Theoretische Physik, Leibniz Universität Hannover; Department of Electrical and Computer Engineering, University of British Columbia; Department of Chemistry, University of British Columbia.

Yüklenen bilimsel kaynak: arXiv:2405.08319v2 [quant-ph], 30 Eylül 2025. Yüklenen sürüm preprinttir ve bu Verianla metnindeki bilimsel ayrıntıların temel kaynağıdır.

Güncel hakemli yayın: Physical Review A, 113, 042421, 2026.

Yayınevi: American Physical Society.

DOI:10.1103/2snk-m8c6

Hakemli yayın tarihi: 9 Nisan 2026.

Dergiye alınma: 30 Eylül 2025.

Kabul: 24 Mart 2026.

arXiv kaydı:arXiv:2405.08319

Kaynak türü: Kuantum bilgi işleme ve kuantum makine öğrenmesi üzerine teorik ve sayısal araştırma. Çalışmada analitik özellik ispatları, kuantum devre/MBQC dönüşümleri, sayısal optimizasyon, sentetik veri sınıflandırması, gürültü simülasyonu ve reinforcement-learning tabanlı ayrık optimizasyon bulunmaktadır.

Deneysel statü: Çalışma gerçek kuantum donanımı üzerinde gerçekleştirilmiş bir cihaz deneyi değildir. Fotonik GKP kısıtları matematiksel ve sayısal model içerisinde ele alınmıştır.

Veri ve kod erişimi: Kaynak çalışmada bütün simülasyonların Python ile yazıldığı ve kodun mentpy/mentpy deposunda bulunduğu belirtilmektedir.

Finansman: Luis Mantilla Calderón, Novo Nordisk Foundation NNF22SA0081175 ve NNF Quantum Computing Programme desteğini; Polina Feldmann, Canada First Research Excellence Fund Quantum Materials and Future Technologies Program ile NSERC Quantum Alliance Consortium “CanQuEST” desteğini; Dmytro Bondarenko ise Canada First Research Excellence Fund desteğini bildirmiştir.

Lisans notu: Yüklenen preprint PDF'sinde görünür bir açık lisans bildirimi bulunmamaktadır. Hakemli Physical Review A sürümü American Physical Society tarafından yayımlanmış olup yeniden kullanım için APS'nin Reuse & Permissions koşulları geçerlidir.

Temel yöntemsel sınırlılıklar

Çalışmanın ana kanıtlarından bir bölümü matematikseldir; bu nedenle MuTA'nın evrenselliği yalnız numerik eğrilerin başarısına bağlı değildir. Buna karşılık pratik uygulanabilirlik örneklerinin önemli bölümü küçük kuantum sistemlerinin sayısal simülasyonlarına dayanmaktadır. Gürültü etkileri belirli sentetik kanal modelleriyle sınanmış, fiziksel işlemcide kalibrasyon hatası, kayıp, dedektör verimsizliği, kapı üretim verimi ve bütün sistem düzeyindeki hata kaynakları birlikte deneysel olarak ölçülmemiştir.

Klasik veri sınıflandırması iki-boyutlu sentetik veri kümeleriyle gösterilmiştir. Sonuçlar güçlü biçimde doğrusal olmayan “moons” veri kümesinde mevcut feature map'in sınırlı kaldığını zaten göstermektedir. Bu nedenle kernel örneği genel amaçlı klasik makine öğrenmesi üstünlüğünün kanıtı değildir.

QFI örneğinde modelin yüksek sınıflandırma doğruluğu, tanımlanan iki-kübit durum aileleri ve Haar-rastgele testler için geçerlidir. Kaynak açıkça, bilinen bir \(h\) operatörünün QFI'sini hesaplamak için makine öğrenmesinin zorunlu olmadığını belirtmektedir.

Fotonik GKP bölümündeki epsilon-greedy ve DQN karşılaştırması küçük bir hedef kapı problemi üzerinde yapılmıştır. Kaynağın DQN'nin büyük problemlerde avantajlı olabileceğine ilişkin ifadesi gelecek çalışma beklentisidir ve bu çalışmada büyük ölçekli doğrulanmış performans sonucu değildir.