**Sürdürülebilir enerji kaynaklarının iyileştirilmesi**, çevresel ve ekonomik güvenlik açısından küresel bir sorundur. Tayvan’daki Chung Yuan Christian Üniversitesi’nde **Enerji ve Güç Sistemleri** alanında önde gelen bir akademisyen olan **Ying-Yi Hong**, hibrit kuantum-klasik yöntemler üzerinde araştırmalar yapmaktadır. Bu yaklaşımlar, zorlu güç sistemleri ve sürdürülebilir enerji problemlerini çözmek için kuantum bilgisayarı teknolojisini kullanmaktadır.
Profesör Hong’un araştırma grubunun ana odak noktası, **güneş ışınımı tahmini** yapmaktır. Amaç, coğrafi ve tarihi verileri kullanarak fotovoltaik santrallerin enerji üretimini tahmin etmektir. Böylece enerji şirketleri, geleneksel fosil yakıtlı enerji üretimini daha iyi planlayabilir.
Profesör Hong ve öğrencisi **Dylan Lopez**, **NVIDIA CUDA-Q platformunu** kullanarak hibrit kuantum nöral ağlar (HQNN) aracılığıyla güneş ışınımını tahmin etmişlerdir. Bu çalışmalar, Solar Irradiance Forecasting Using a Hybrid Quantum Neural Network: A Comparison on GPU-Based Workflow Development Platforms başlıklı bir makalede yayımlanmıştır.
Hibrit Kuantum Nöral Ağ Nedir?
**Klasik nöral ağlar** (NN), beynin sinir hücrelerinin bağlantı yapısını taklit eden, katmanlı matematiksel işlemlerden oluşan eğitilebilir makine öğrenimi (ML) modelleridir. Her katman, bitişik katmanlardaki sinir hücrelerine bağlanan eğitilebilir ağırlıklarla bağlı **sinir hücrelerinden** oluşur. Standart bir NN, ham verileri almak için bir giriş katmanı, çeşitli dönüşümler uygulayan gizli katmanlar ve nihai tahmini üreten bir çıktı katmanı içerir.
Bir NN, bir veri seti ile eğitilerek bir maliyet fonksiyonunu minimize eden optimal parametreleri bulmak için kullanılır. Eğitilmiş model, yeni veriler üzerinden tahminler yapmak üzere kullanılabilir. NN’ler karmaşık sistemleri modellemekte oldukça yeteneklidir.
**HQNN** ise benzer bir amaca sahip olmakla birlikte, geleneksel NN’nin bir veya daha fazla katmanını parametreli bir kuantum devresi ile değiştirmektedir. Kuantum katmanı, birkaç önemli alt katmandan oluşur.
Öncelikle, giriş verileri kuantum devresine bir kodlama katmanı ile yerleştirilir. Ardından, her qubit’e etki eden parametreli tek qubit kapıları dizisi uygulanır. Bu kapı yapısına **ansatz** denir. Son olarak, bir dizi kontrollü NOT (CNOT) kapısı ile bir dolanıklık katmanı uygulanır. Kuantum devresi ölçüldükten sonra, ölçüm sonuçları ya maliyet fonksiyonunu hesaplamak için kullanılır ya da başka bir katmana giriş olarak verilerek işlenir.
HQNN’ler, kuantum dolanıklığının eşsiz özelliklerinden faydalanarak daha az eğitim parametresiyle karmaşık örüntüleri yakalayabilen daha ifadeci bir model sunar. Ancak, klasik verilerin kuantum devresine en iyi şekilde nasıl kodlanacağı gibi pek çok zorluk hala mevcuttur.
Güneş Işıması İçin Bir CUDA-Q HQNN
HQNN’ler, CPU, GPU ve QPU’nun bir arada çalışmasını gerektirir. Verilerin ön işlenmesi geleneksel CPU’da, klasik HQNN katmanları GPU’lar üzerinde çalışırken, kuantum katmanları QPU tarafından yürütülmektedir. Profesör Hong ve Dylan, **National Solar Radiation Database**’den elde ettikleri verilerle bir HQNN kurmak ve eğitmek için CUDA-Q geliştirme platformunu kullandılar.
Şekil 2, tipik bir HQNN iş akışını göstermektedir. İş akışının çoğu CUDA ile hızlandırılmıştır ve ek hızlandırma, cuDNN ve cuQuantum kütüphaneleriyle sağlanmıştır.
Bir klasik NN, **PyTorch** üzerinde uygulanmış, NN katmanları **Bayes optimizasyonu** ile tasarlanmıştır. Ortaya çıkan mimari, bir HQNN’nin klasik bileşeni olarak kullanılmıştır ve son yoğun katman bir kuantum katmanı ile değiştirilmiştir.
NVIDIA CUDA-Q, CUDA ve cuDNN araçları birlikte çalışarak bu HQNN’de tüm iş akışını hızlandırmıştır. CUDA-Q, ağın hem kuantum hem de klasik katmanlarının hızlandırılmasını sağlarken, kuantum ve klasik kaynakların bir arada çalışmasını kolaylaştırmaktadır. PyTorch eğitimi otomatik olarak CUDA ile hızlandırılmıştır.
Özel görevlerdeki hızlandırma, iki NVIDIA kütüphanesi tarafından artırılmıştır: cuDNN, yüksek verimli NN işlemlerini (örneğin, konvolüsyon) sağlarken, kuantum katmanları simüle edildiğinde cuQuantum, tüm kuantum devresi simülasyonlarını hızlandırmaktadır.
CUDA-Q, HQNN Hızını ve Doğruluğunu Artırıyor
Profesör Hong ve Dylan, dört mevsim için güneş ışınımını tahmin etmek üzere HQNN modellerini eğittiler. Eğitimi **iki NVIDIA RTX 3070 GPU** kullanarak gerçekleştirdiler. Elde ettikleri sonuçları, klasik bir temel ile karşılaştırdılar ve çeşitli simülatörlerin ve hibrit iş akışının klasik NN kısmının hızlandırılmasının etkisini değerlendirdiler. Veriler, en yüksek performans artışlarının elde edilmesi için GPU hızlandırması ve CUDA-Q’nun kullanımının önemini vurgulamaktadır.
GPU’nun, HQNN’nin hem kuantum hem de klasik bölümlerinin simülasyonu için ne kadar faydalı olduğu açıktır. Simülatör türünden bağımsız olarak, GPU hızlandırmalı kuantum devresi simülasyonları her eğitim adımının geçiş süresini (epoch latency) en az 3 kat azaltmıştır. Klasik NN adımları da CUDA veya CUDA ve cuDNN ile hızlandırılmıştır.
CUDA-Q, diğer önde gelen GPU simülatörlerinden daha etkili bir şekilde GPU’yu kullanacak şekilde optimize edilmiştir. CUDA ve cuDNN ile klasik NN adımlarını hızlandırdığında, CUDA-Q, diğer simülatörlerle karşılaştırıldığında **2.7 kat daha hızlı** ve test seti RMSE’sinde **3.4 kat daha doğru** bir model eğitmiştir.
Profesör Hong ve Dylan, Tayvan’da mevsimsel güneş ışınımını, klasik yaklaşımlarla karşılaştırılabilir bir doğrulukla tahmin etmeyi başardılar. Profesör Hong, bu çalışmanın sonuçlarının, “CUDA-Q’nun enerji araştırmaları için hibrit kuantum işlemleri gerçekleştirmek için harika bir araç sağladığını ortaya koyduğunu” belirtti.
CUDA-Q ile Hızlı Başlangıç
**CUDA-Q**, yalnızca bir kuantum simülatörü değil, aynı zamanda hibrit kuantum-klasik bilişim için bir platformdur. CUDA-Q, hibrit CPU, GPU ve QPU iş akışının tüm yönlerini organize eder, bu da HQNN içindeki kuantum ve klasik bileşenlerin hızlandırılmasını sağlar. CUDA-Q üzerinde geliştirilen kod, uzun ömürlü olacak şekilde tasarlanmış ve pratik problemleri çözmek için ölçeklenebilir.
CUDA-Q ile başlangıç yapmak için aşağıdaki kaynaklara göz atabilirsiniz:
- Çevrenizi hızla kurun** için CUDA-Q Hızlı Başlangıç kılavuzu.
- İlk CUDA-Q uygulamanızı yazmayı öğrenin** için CUDA-Q Temelleri.
- Daha fazla bilgi edinmek için**CUDA-Q HQNN Eğitimi‘na göz atın.
- Kendi kuantum uygulama geliştirme fikirlerinizi**CUDA-Q Örnekleri ve CUDA-Q Eğitimleri ile ilham alın.
- Geri bildirim ve öneriler için**NVIDIA/cuda-quantum GitHub reposunu ziyaret edin.
