Hibrit kuantum-klasik makine öğrenmesi ile KOVID-19 tespiti

Dünya Sağlık Örgütü'nün pandemi olarak ilan ettiği KOVID-19 pandemisinde enfekte olan hastanın en kısa sürede teşhis edilmesi son derece önemlidir. Uzmanlar, RT-PCR testinin zayıf noktaları nedeniyle RT-PCR yanında BT görüntülemeyi önermektedir. Bu tez çalışmasında, gerçek kuantum bilgisayarlar kullanılarak kuantum makine öğrenmesinin küçük boyutlu veri seti üzerindeki etkisi araştırılmıştır. Hibrit kuantum-klasik transfer öğrenme yöntemi kullanılarak IBM Q tarafından kullanıma sunulan farklı kuantum bilgisayarlar (IBMQx2, IBMQ-London ve IBMQ-Rome) ve simülatörler (Pennylane, Qiskit ve Cirq) üzerinde test edilmiştir. Ayrıca klasik bilgisayarlarda daha fazla işlem gücü ve zaman gerektiren klasik makine öğrenmesi işlemi, kuantum bilgisayarlarda 4 kübitlik varyasyonel kuantum devresi ile gerçekleştirilmiştir. Sonuçlar aynı veri setini kullanan diğer çalışmalarla karşılaştırıldı. Karşılaştırma sonucunda, kuantumun üstün özelliklerinden dolayı veri kümesinin boyutu küçük olduğunda hibrit kuantum-klasik modelin daha iyi performans gösterdiği görülmüştür.

It is extremely important to diagnose the infected patient as soon as possible in the COVID-19 pandemic, which the World Health Organization declared as a pandemic. Experts recommend CT imaging alongside RT-PCR by reason of the weak points of the RT-PCR test. In this thesis study, the effect of quantum machine learning on small size dataset is investigated using real quantum computers. It has been tested on different quantum computers (IBMQx2, IBMQ-London and IBMQ-Rome) and simulators (Pennylane, Qiskit and Cirq) made available by IBM Q using the hybrid quantum-classical transfer learning method. In addition, the classical machine learning process, which requires more processing power and time in classical computers, has been carried out with a 4-qubit variational quantum circuit in quantum computers. The results were compared with other studies using the same dataset. As a result of the comparison, it is seen that the hybrid quantum-classical model performs better when the size of the dataset is small due to the superior properties of the quantum.