Yeni Makine Öğrenim

Makine öğrenimi bilgisayarların veri türlerine dayalı öğrenimini olanak kılan algoritmaların tasarım ve geliştirme süreçlerini konu edinen bir bilim dalıdır. Yeni bir makine öğrenimi çerçevesi ile mobil kuantum ağlarının önünü açabilir.

ABD’nin Ordu Araştırma Laboratuvarı ve Tulane Üniversitesi’nden araştırmacılar, bilinmeyen bir sistemin kuantum durumunu yeniden yapılandırmak için foton ölçümleri kullanarak makine öğrenimini kuantum bilgi bilimi veya QIS ile birleştirdiler.

Bilgi işlem, iletişim ve algılamada geleneksel yöntemlerle imkansız veya daha az verimli olan güçlü uygulamalar elde etmek için QIS sistemi kullanılmaktadır. Mikroskopik kuantum sistemlerinin tek bir ışık veya ayrı atom parçacıkları gibi benzersiz özelliklerinden yararlanan hızla ilerleyen bir alandır.

Ordunun araştırma laboratuvarında çalışan bilim adamı Dr. Brian Kirby, açıklamalarında “Makine öğrenim sistemleri, verilen görev için açık bir programlama olmadan örnek veri setlerine dayalı tahminler yapabildiği için, makine öğrenimini QIS’deki sorunlara uygulamak istedik.” söyledi.

Bununla birlikte makine öğrenimi sınıflandırılmış ve üzerinde eğitilmiş büyük görüntüler sayesinde makine öğrenme algoritmasının daha önce hiç karşılaşmadığı yeni görüntüler doğrultusunda sınıflandırmaktadır.

Yeni Makine Öğrenimi Nasıl Kullanılır?

Bankalar eski zamanlarda el yazısını daha önce görmemiş olmasına rağmen kontrollerdeki el yazısını okumak için genellikle makine öğrenme sistemleri kullanırlar.

Görüntü tanımada makine öğrenme algoritmaları bir şeyin araba mı yoksa bisiklet mi olduğuna karar vermeye çalışıyor.

Makine öğrenim sistemleri, ölçüm verilerinde ne tür bir durumdan geldiğini ima eden belirli özellikleri aramak kadar etkili olabilir. Her iki durumda da, giriş verileri iki boyutlu bir dizi olarak düşünülebilir ve ML sistemi, dizideki belirli özellikleri seçmektedir.

Bilinmeyen bir kuantum sistemini karakterize etmek için araştırma ekibi kuantum durum tomografisi veya QST kullandı.

Tulane Üniversitesi Profesörü Ryan Glasser yaptığı açıklamada, “Bu alan genellikle kuantum bilgi sistemlerini çalıştırmak için gereken klasik bilgi işlemine bakmaktadır. Araştırmalar ve yetenekler şimdi gerçek dünyadaki uygulamaların göz önünde bulundurulduğu noktaya kadar olgunlaştıkça, bunlar çözmemiz gereken mühendislik problemleri.” Söyledi.

Tulane Üniversitesi araştırmacısı Onur Danacı  yaptığı açıklamada, “Mevcut sistemlerin bozulmamış simülasyonlardaki performansıyla eşleşebileceğimizi fark ettikten sonra, sistemi onları beklemek için eğiterek yaygın hatalara dayanıklılık yapıp yapamayacağımızı görmek istedik.” Söyledi.

Optik elemanların yanlış hizalanmış durumunda ölçümde bilinen hata kaynaklarını simüle etti. Makine öğrenimi sistemini eğitmek için bu yapı kullanıldı. Yapılan ölçümler sadece görüntü açısından değil tamamen eksik olan sistemleri test edildi. Bunun için kurulan ekip her durumda geleneksel devlet imar yöntemlerinden daha iyi performans gösterirken, daha az hesaplama kaynağı gerektirdiğini söyledi.

Ekip tarafından tüm pahalı hesaplamasını eğitim sürecine yükleyebildiğinden, gerçek yeniden yapılandırma nispeten mütevazı kaynaklar gerektirir. Araştırmacılar, bu önceden eğitilmiş, taşınabilir kuantum sistemlerini, gelecekte donanım için alanın sınırlı olduğu uçağı veya araçlar gibi küçük saha cihazlarına dağıtmayı umuyorlar.

BİR CEVAP BIRAK

Please enter your comment!
Please enter your name here