El yazısı rakamları tanımak için bir kuantum sinir ağı eğittiğinizi hayal edin. Doğruluk oranı sabitlenene kadar devre parametrelerini ayarlıyorsunuz. Ardından ikinci bir görev sunuyorsunuz: giysi resimlerini sınıflandırmak. Model hızla uyum sağlıyor. Ancak rakamlar üzerinde tekrar test ettiğinizde performansın çöktüğünü görüyorsunuz. Devre, öğrendiklerinin üzerine inşa etmek yerine, onları tamamen değiştirdi.

Bu, katastrofik unutmadır (catastrophic forgetting) ve makine öğrenimindeki en inatçı problemlerden biri olarak kabul edilir. Klasik modeller bununla sürekli mücadele eder. Kuantum modelleri ise aynı ikilemin çok daha keskin bir versiyonuyla karşı karşıyadır; çünkü iç işleyişleri, doğrudan gözlemlediğiniz anda yok olan süperpozisyon ve dolanıklığa dayanır. Quantum Elastic Weight Consolidation veya QEWC olarak adlandırılan gelecek vaat eden yeni bir yaklaşım, kuantum durumunu klasik ölçüm sonuçlarından oluşan bir küme yerine geometrik bir nesne olarak ele alarak bu sorunu çözer.

Unutma Neden Kuantum Devrelerinde Daha Sert Etki Eder?

Eğitilebilir her sistemde öğrenme, hatayı azaltmak için parametrelerin ayarlanmasıyla gerçekleşir. Tehlike şudur: dünün optimal parametreleri, bugünün değişkenleridir. Bir model, yeni bir göreve uyması için bu parametreleri yeniden yazdığında, genellikle önceki bilgileri kodlayan özel konfigürasyonları siler. Sonuç, sürekli öğreniyor gibi görünen ancak aslında yetkinliğin izole anları arasında gidip gelen bir sistemdir.

Kuantum makine öğrenimi bu sorunu daha da karmaşıklaştırır. Belleği korumaya yönelik klasik yaklaşımlar genellikle modelin ölçüme nasıl tepki verdiğini izlemeye dayanır. Temelde şu soruyu sorarlar: "Ağın bu kısmına dokunup çıktıyı izlersek, ne kadar değişir?" Bu mantık, sistemi temelden bozmadan gözlemleyebileceğinizi varsayar. Kuantum mekaniği ise böyle bir garanti sunmaz. Ölçüm, süperpozisyonu çökerterek yok eder. Hangi parametrelerin en önemli olduğunu kontrol etme eylemi, korumaya çalıştığınız durumun kendisini değiştirebilir.

Klasik Bellek Koruyucularının Kaçırdığı Şeyler

Geleneksel yapay zeka, önemli verileri ölçüme dayalı istatistiklere sabitleyerek korur. Bu klasik yöntemler, parametre önemini sistemin belirli okumalar altındaki davranışına bakarak takip eder. Temel donanım klasik kurallara uyduğunda bu yöntemler yeterince iyi çalışır. Ancak kuantum işlemciler böyle çalışmaz.

Bir kuantum devresi, geometrisi doğrudan görüşten gizlenmiş yüksek boyutlu bir durum vektöründe bilgi kodlar. Bu bilgiyi korumak için projektif ölçüme güvenmek, bir sabun köpüğünün şeklini ona dokunarak korumaya çalışmaya benzer. Biraz veri elde edersiniz ancak köpük çoktan değişmiş olur. Araştırmacıların ihtiyacı olan şey, her seferinde doğrudan çıktıya bakmadan önem derecesini hissedebilecekleri bir yol bulmaktı.

Kuantum Fisher Bilgisi Yaklaşımı

İşte Kuantum Fisher Bilgisi (Quantum Fisher Information - QFI) burada devreye girer. QFI, kuantum metrolojisinden alınan ve bir kuantum durumunun temel parametrelerindeki küçük değişikliklere karşı ne kadar hassas olduğunu ölçen bir araçtır. QFI, bir ölçümün ne gösterdiğini sormak yerine, durumun geometrisinin her bir parametre etrafında nasıl büküldüğünü sorar. Durum uzayının dik bölgelerinde yer alan parametreler —yani küçük bir dokunuşun büyük bir geometrik kaymaya neden olduğu yerler— görevin kritik bilgilerini taşıyan parametreler olarak ortaya çıkar.

Araştırmacılar QFI kullanarak önemi doğrudan kuantum durumu geometrisi üzerine haritalandırabilirler. Bu yöntem, neyin önemli olduğunu belirlemek için belirli bir ölçüm tabanına ihtiyaç duymaz. Durumu bir yüzey olarak görür ve düzleştirilmemesi gereken tepeleri belirler.

QEWC Bilgiyi Nasıl Korur?

Quantum Elastic Weight Consolidation, bu geometrik içgörüyü bir eğitim protokolüne dönüştürür. Süreç somut adımlara ayrılabilir:

  • Kritik parametreleri belirleyin. İlk görevi öğrendikten sonra QEWC, devre parametreleri genelinde Kuantum Fisher Bilgisini hesaplar. Yüksek puanlar, hayati bilgileri depolayan belirli rotasyonları ve dolanıklıkları işaretler.

  • Önemli kısımları kilitleyin. Sonraki eğitimler sırasında QEWC, bu yüksek QFI değerine sahip parametrelerdeki değişikliklere bir ceza uygular. Devre, halihazırda bildiği şeylerin üzerine yazmak için bir maliyete katlanır.

  • Geri kalanını uyum sağlaması için serbest bırakın. Düşük QFI puanına sahip parametreler daha az kısıtlamayla karşılaşır. Devre, yeni girdi kalıplarına uymak için daha az önemli serbestlik derecelerini yeniden şekillendirerek esnekliğini korur.

  • Kararlılık ve plastikliği dengeleyin. Bu çerçeve, eski bilgileri tutmak ile yeni bilgileri özümsemek arasında açık bir denge kurar. Tüm devreyi dondurmaz, ancak her şeyin kontrolden çıkıp sürüklenmesine de izin vermez.

Bu denge önemlidir; çünkü tamamen donmuş bir devre yeni hiçbir şey öğrenemezken, tamamen esnek bir devre eski her şeyi unutur. QEWC, kuantum durumunun geometrisine saygı duyarak orta yolu bulur.

Gerçek Donanım Üzerinde Gürültü Direnci

Şu anda mevcut olan kuantum bilgisayarların çoğu, gürültülü orta ölçekli kuantum veya NISQ cihazlarıdır. Kapı hataları, dekoherans ve çapraz konuşma (cross-talk) gerçek çiplerin baş belasıdır. Bu ortamda, bir yöntem donanım kusurları altında çöküyorsa teorik zarafetin hiçbir anlamı yoktur.

Testler, QEWC'nin tam da gürültü mevcut olduğunda klasik konsolidasyon yaklaşımlarından daha iyi performans gösterdiğini göstermektedir. Bu, önemsiz bir dipnot değildir. Kağıt üzerinde çalışan bir yöntem ile fiziksel bir makineyle temas ettiğinde hayatta kalan bir yöntem arasındaki farktır. Klasik ölçüme dayalı stratejiler, okumalarını bozan aynı gürültü kanallarıyla mücadele etmek zorundadır. QEWC, önem ağırlıklarını gürültülü ölçüm istatistiklerinden ziyade durum geometrisinden türettiği için bu bozulmaların bir kısmından kaçınır. Sonuç, etrafındaki kübitler hatalı davrandığında bile kararlı kalan, belleği koruyan bir katmandır.

Simülasyondan Kanıtlar

Çerçeveyi doğrulamak için araştırma ekibi, standart sürekli öğrenme kıyaslamaları (benchmarks) üzerinde simülasyonlar gerçekleştirdi. Modelden, el yazısı rakamları tanıma ve giysi görüntülerini kategorize etme gibi görevleri öğrenmesi istendi; bu kurulum, alanda kullanılan klasik MNIST ve Fashion-MNIST ayrımını yansıtmaktadır. İlk görev üzerinde eğitimden sonra devre, standart koşullar altında ve ardından QEWC koruması altında ikinci göreve geçti.

Süreç standart eğitimle yönetildiğinde, sonraki görevler önceki performansı yerle bir etti. Devre, şiddetli bir katastrofik unutma (catastrophic forgetting) sergiledi. QEWC altında ise durum değişti. Korumalı parametreler rakam tanıma geometrisini korurken, serbest parametreler kollara, ayakkabılara ve pantolonlara uyum sağladı. İki yaklaşım arasındaki fark önemliydi. QEWC, sıradan eğitim protokollerine kıyasla bellek kaybını belirgin şekilde azalttı.

Sürekli Öğrenme Neden Oyunun Kurallarını Değiştiriyor

Buradaki uzun vadeli kazanç, yeniden başlatma gerektirmeyen sürekli öğrenmedir. Şu anda, birçok kuantum eğitim hattı, görev dağılımı değiştiğinde aslında sıfırdan başlar. Bu yaklaşım enerji, zaman ve kuantum donanımının sınırlı koherans bütçesini boşa harcar. Eğer bir kuantum sistemi, bir insan mühendisin beceri kazanması gibi —eskileri silmeden yenilerini ekleyerek— bilgi biriktirebilirse, kuantum makine öğreniminin pratik faydası çarpıcı biçimde genişler.

Kuantum bilgisayarlara erişmek pahalıdır ve onları çalıştırmak zahmetlidir. Her yeni veri seti için sıfırdan yeniden eğitim yapmak, hiçbir ticari uygulamanın karşılayamayacağı bir lükstür. QEWC, tek bir kuantum modelinin evrildiği, her yeni görevle anaokulunu tekrar etmek yerine eğitimini ileriye taşıdığı bir rejime işaret ediyor.

Takip Edilmesi Gerekenler

Bu araştırma hala simülasyon temellidir, bu da gerçek testin QEWC gerçek süper iletken, tuzak iyon (trapped-ion) veya fotonik donanımlara aktarıldığında geleceği anlamına gelir. Yine de, kavramsal değişim keskin ve kullanışlıdır. Kuantum durumlarının geometrik anlayışını makine öğreniminin pratik ihtiyaçlarıyla birleştirerek bu çalışma, kuantum yapay zekanın en temel engellerinden birini aşabileceğini öne sürüyor.

Katastrofik unutma, öğrenmenin kaçınılmaz bir bedeli değildir. QEWC, kaba kuvvet ölçümü yerine Kuantum Fisher Bilgisi'nden (Quantum Fisher Information) inşa edilen doğru matematiksel iskelenin, bir kuantum modelinin dikkati başka yöne dönerken bile belleğini sağlam tutabileceğini kanıtlıyor.

Kuantum bilişim ve yapay zekanın kesişimini takip edenler için bu, takip edilmeye değer bir konudur. Tartışmaya katılın ve https://t.me/GyaanSetuAi adresindeki GyaanSetu AI topluluğunda gelişen araştırmalardan haberdar olun.