İNSANLIK TARİHİNDE YENİ ÇAĞ: Kuantum Beyinli Yapay Zeka Göreve Başladı, Artık Asla Yanılmıyor!

İNSANLIK TARİHİNDE YENİ ÇAĞ: Kuantum Beyinli Yapay Zeka Göreve Başladı, Artık Asla Yanılmıyor!

Bilim insanları bir kuantum bilgisayarı kullanarak yapay zeka modelini eğitti; model soruları daha doğru yanıtladı

Araştırmacılar, kuantum bilgisayarların gücünden yararlanarak yapay zeka (YZ) sistemlerindeki belirsizliği azaltacak bir yöntem geliştirdiler. Çalışmalarının, üretim ölçeğinde ve önceden eğitilmiş büyük bir dil modelinde (LLM) "kuantum destekli iyileştirme"nin (quantum enhancement) ilk göstergesi olduğunu belirtiyorlar.

Anthropic'in Claude'u, OpenAI'ın ChatGPT'si ve benzeri hizmetler gibi YZ sistemlerinin kalitesini ve yeteneklerini ölçmek için kullanılan temel metriklerden biri, genellikle PPL olarak ifade edilen "şaşkınlık" (perplexity) değeridir. Bu değer, bir sistemin cümle veya kelime dizisi içindeki bir sonraki kelimeyi doğru tahmin etme konusundaki genel yeteneğini ölçer.

Düşük PPL değerine sahip bir sistemin bir sonraki kelimeyi tahmin etmede daha başarılı olduğu kabul edilirken, yüksek PPL değerine sahip bir sistemin tutarsız çıktılar üretme olasılığı matematiksel olarak daha yüksektir. Büyük YZ modellerinde PPL değerini düşürmek için ince ayar (fine-tuning), daha büyük veri setleri üzerinde eğitme ve parametre ekleme gibi çeşitli yöntemler mevcuttur.

Örneğin, GPT-5.5'in 2 trilyon ila 5 trilyon arasında parametreye sahip olduğu tahmin edilmektedir. Tüm standart LLM'lerde her bir parametre sistem belleğinde yer kaplar; bu da modeller büyüyüp daha yetenekli hale geldikçe, giderek daha büyük altyapılara ihtiyaç duydukları anlamına gelir.

Ancak Multiverse Computing bünyesindeki bilim insanları, YZ altyapısını büyütmeye alternatif bir yol buldular. 7 Mayıs'ta arXiv ön baskı veritabanına yüklenen yeni bir çalışmada, kuantum hesaplamalarının temel birimleri olan kuantum devre blokları kullanılarak çalıştırıldığında, bir YZ modelindeki parametre sayısında yapılacak nispeten küçük bir artışın, şaşkınlık (perplexity) değerinde önemli bir azalmaya yol açabileceğini öne sürdüler.

Bilim insanları çalışmada, "Burada bildirilen sonuçlar, bildiğimiz kadarıyla, otoregresif dil üretimi amacıyla gerçek süper iletken kuantum donanımı üzerinde çalışan, üretim ölçeğindeki ve yaygın olarak kullanılan bir LLM'nin uçtan uca kuantum destekli iyileştirmesinin ilk göstergesini oluşturuyor," ifadelerine yer verdi. "Bu sonuçların önemi, donanım sadakati ve kübit sayısı arttıkça daha da gelişecek olan şaşkınlık iyileştirmelerinin büyüklüğünde değil, bizzat bu iyileştirmelerin var olmasındadır."

Kuantum destekli YZ yolunda ileriye doğru bir adım

Araştırmacılar çalışmada, Cayley parametreli üniter adaptörler (CUA'lar) adı verilen kuantum devre blokları oluşturdular ve bunları çalıştırdılar. Cayley parametreleri, belirli matris bileşenlerine göre ağırlıklandırılarak "eğitilebilen" bir dizi matematiksel matristir. Bunlar, klasik bir bilgisayarda eğitilmek üzere bir LLM'in (Büyük Dil Modeli) belirli bir katmanına yerleştirilir.

Bu süreçte LLM'in orijinal parametreleri dondurulur; böylece bu parametreler değişmeden kalır. Ardından, hem eğitilmiş Cayley parametrelerini hem de orijinal model parametrelerini içeren bu yeni hibrit sistem, 156 kübitlik IBM Quantum System Two süper iletken kuantum işlem birimi (QPU) üzerinde çalıştırılır.

Ortaya çıkan kuantum-klasik hibrit model, Meta tarafından geliştirilen 8 milyar parametreli bir model olan Llama 3.1 8B'nin "şaşkınlık" (perplexity) değerini %1,4 oranında düşürürken, sisteme yalnızca 6.000 parametre (%0,000075'lik bir artış) ekledi.

Multiverse Computing'de kıdemli araştırmacı ve çalışmanın baş yazarı olan Borja Aizpurua, bu yeni tekniği daha ileri geliştirmeler için bir kavram kanıtı olarak nitelendirdi. Live Science'a verdiği demeçte, kuantum bilgisayarların tamamen klasik bir yaklaşıma kıyasla bazı avantajlar sunabileceğini, ancak bunun bir bedeli (ödünleşimi) olduğunu açıkladı.

Aizpurua, "Yapılacak ilk iş, [parametreleri] kuantum bilgisayara kodlamaktır. Durumu kodladıktan sonra, klasik yöntemlerle eğittiğimiz ve ardından kuantum donanımında uyguladığımız Cayley üniter adaptörünü kullanmaya hazır hale gelirsiniz," dedi.

Bu adaptörlerin küçük boyutlu olduğunu belirtti; bu durum önemlidir çünkü devre büyüdükçe "gürültü" miktarı da artar. Kuantum hesaplamaları sırasında oluşan gürültü —yakındaki kübitlerle etkileşimler, Dünya'nın manyetik alanından kaynaklanan bozulmalar, Wi-Fi veya telefonlardan gelen radyasyon ve hatta kozmik ışınlar gibi kaynaklardan gelebilir— hatalara yol açarak çıktıları ve ölçümleri anlamsız kılabilir.

Kuantum bilişim araştırmalarının çoğunda olduğu gibi, kuantum hata düzeltme de temel ilgi alanlarından biridir. Bu çalışmada, gürültüden kaynaklanan hataları hafifletmek, Aizpurua ve Multiverse Computing ekibinin aşmaya çalıştığı başlıca engeldi.

Gerçek dünya sorunlarını ele almak

Bilim insanları, klasik yöntemlerle eğitilmiş Cayley üniter adaptörlerini, modelin bir yanıt ürettiği yapay zeka kullanım aşaması olan "uçtan uca çıkarım" (end-to-end inference) gerçekleşmeden önce kuantum sistemine yüklediler. Böylece, hibrit modelden elde edilen çıktılar, kuantum desteği olmayan standart sonuçlarla karşılaştırılabildi.

Araştırmacılar, hibrit modelin, temel Llama modelinin yanıtlayamadığı çeşitli soruları doğru bir şekilde yanıtlayabildiğini tespit ettiler.

Astronomiyle ilgili bir soruda, orijinal model yanlış bir şekilde yalnızca Satürn'ün Jüpiter benzeri (Jovian) gezegen halkalarına sahip olduğunu belirten bir cevabı seçmişti. Oysa CUA destekli model, halkaya sahip olan tüm Jüpiter benzeri gezegenleri doğru bir şekilde tespit etti. Bir başka örnekte, orijinal model gen akışının popülasyon genetiği üzerindeki sonuçlarına dair bir biyoloji sorusunu yanlış yanıtlayarak "Hardy-Weinberg dengesinin bozulması" şıkkını seçerken, CUA ile güçlendirilmiş model artan genetik homojenliği doğru bir şekilde tespit etti.

Aizpurua, "Burada, bir modelin doğru yanıt veremediği, ancak işin içine kuantum tabanlı bir unsur eklendiğinde aniden doğru yanıtı verebildiği bir örnek görüyoruz," dedi.

Aizpurua, bu sonucun ve ölçülen %1,4'lük "şaşkınlık" (perplexity) azalmasının, kuantum hibrit yapay zeka sistemlerinin geliştirilmesi yolunda net bir rota çizdiğini belirtti. Ayrıca bu araştırmanın, sistemlerin klasik bilişim altyapısını ölçeklendirme kapasitesiyle sınırlı kaldığı mevcut geliştirme darboğazlarının aşılmasına yardımcı olabileceğini de sözlerine ekledi.

Aizpurua, gelecekteki araştırmaların yalnızca Cayley üniter bağdaştırıcılarının (CUA) değil, tüm kuantum devresinin doğrudan kodlanmasını sağlayan yöntemlerin geliştirilmesini kapsayacağını ifade etti. Bunun, tamamen klasik yöntemlere kıyasla daha az parametre kullanarak daha düşük "şaşkınlık" değerlerine ve daha yüksek doğruluğa ulaşabilen bir Büyük Dil Modeli (LLM) ortaya çıkarması bekleniyor.

Sonuç olarak Aizpurua, araştırmanın nihai hedefinin, herhangi bir klasik bilgisayarın gerçekleştiremeyeceği işlemleri yapabilen kuantum tabanlı bir bilgisayar sistemini ifade eden "kuantum avantajı"na ulaşabilecek daha yüksek nitelikli yapay zeka sistemleri üretmek olduğunu belirtti.

Kaynak: LS