Genlik Tahmini

Kuantum algoritmalarının çoğu son tahlilde bir olasılık hesaplar: “bu durumda istenen cevabı ölçme şansı ne kadar?” Genlik tahmini, bu soruyu en verimli yanıtlayan algoritmadır ve klasik Monte Carlo yöntemine karşı karesel bir hızlanma sağlar. Bu derste önce problemin tanımını netleştireceğiz; sonra Grover'ın yineleme operatörünün özdeğer fazının olasılığa nasıl çevrildiğini iki küçük hesapla adım adım göreceğiz. Serinin tamamı için Kuantum Hesaplama dersleri sayfasına bakabilirsin.

Genlik Tahmini Problemi Nedir?

Şablon şudur: elimizde |0⟩ durumunu ilgili bir süperpozisyona çeviren bir A devresi var. A'yı uygulayıp ölçtüğümüzde ilgilenilen sonuç “1” olsun; bunun çıkma olasılığına a diyelim. Genlik diliyle A|0⟩ = √(1−a)·|ψ₀⟩ + √a·|ψ₁⟩ biçiminde yazılır; |ψ₀⟩ ile |ψ₁⟩ birbirine dik (ortogonal) iki durumdur ve (1−a) + a = 1 normalizasyonu sağlanır. Görev, a sayısını olabildiğince az sorguyla öğrenmektir; a, probleme göre bir örneklemde aranan özelliğin oranı, bir senaryonun kâr olasılığı ya da VQE Varyasyonel Özdeğer Çözücü dersindeki gibi bir beklendiğe dönüşmüş bir büyüklük olabilir.

Durumun geometrisi basittir: √a = sin θ ve √(1−a) = cos θ olacak biçimde her a ∈ [0,1] için bir θ ∈ [0, π/2] açısı tanımlanır; yani a = sin²θ ve |ψ⟩ = cos θ·|ψ₀⟩ + sin θ·|ψ₁⟩. Bu, tamamen genel bir yeniden yazımdır. Genlik tahmininin bütün sırrı, a'yı çekilişlerle değil, bu θ açısını hassas biçimde ölçerek bulmaktır.

Klasik Monte Carlo'ya Karşı Karesel Hızlanma

Klasik yol, A devresinin davranışını taklit edip N kez çekiliş yapmaktır; “1” görülme oranı a'ya yaklaşır ama yavaş. Monte Carlo'da tahmin hatası karakteristik olarak 1/√N ölçeğindedir; hatayı 10 kat daraltmak 100 kat örnek ister. İki yaklaşımı yan yana koyarsak:

• Monte Carlo: ε hata payı için O(1/ε²) örnek; ε = 0,001 için ~1.000.000 çekiliş.
• Genlik tahmini: aynı hata için O(1/ε) sorgu; ε = 0,001 için ~1.000 mertebesinde operatör kullanımı.
• Bedeli: kuantum tarafta derin, kontrol edilmiş devreler gerekir; kazanç sorgu sayısındadır, ölçüm sayısında değil.
• Aile bağı: bu karesel kazanç, Grover aramasındaki √N hızlanmasıyla aynı köktendir.

Grover Operatörü ve Faz Tahmini

Kuantum Hesaplama 101 dersindeki Grover yinelemesini bir operatör olarak paketleyelim: Q = A·S₀·A†·S_ψ₁. Burada S_ψ₁ = I − 2|ψ₁⟩⟨ψ₁|, iyi bileşenin işaretini −1 ile çarpan oracle'dır; S₀ = I − 2|0⟩⟨0|, |0⟩'a göre yansıtmadır; A† ise A'nın tersidir ve her üniteryen devre gibi fiziksel olarak kurulabilir. Bu dörtlünün {ψ₀, ψ₁} düzleminde yaptığı iş bellidir: durumu tam 2θ döndürmek. Yani Q(cos θ·|ψ₀⟩ + sin θ·|ψ₁⟩) = cos(θ+2θ)·|ψ₀⟩ + sin(θ+2θ)·|ψ₁⟩; her Q uygulaması |ψ₁⟩'nin olasılığını sin²(θ+2θ)'a taşır.

Dönmeler periyodik olduğundan Q'nun özdeğerleri e^(±i2θ) olur; operatörün taşıdığı tek gizli sayı, faz φ = 2θ/(2π) = θ/π'dir. Faz tahmini ise bir üniteryenin özdeğer fazını bitlere okuyan standart bir kuantum rutinidir: m yardımcı kübit ile fazı yaklaşık m bitlik kesir hassasiyetiyle ölçer. Plan böylece belli olur: Q'yu faz tahminine ver; ölçülen kesir f olsun; sonra a = sin²(π·f) ile olasılığı geri kazan. Grover'ın döndürmesi açıya kodlar, faz tahmini açıyı bitlere yazar.

Adım Adım İki Küçük Hesap

Örnek 1 — a = 0,5: sin θ = √0,5 demektir; θ = π/4. Adımlar:

1. Durum: |ψ⟩ = cos 45°·|ψ₀⟩ + sin 45°·|ψ₁⟩.
2. Q'nun dönmesi 2θ = π/2; özdeğer e^(iπ/2); faz f = (π/2)/(2π) = 1/4.
3. 1/4 = 0,01₂ tam yazılabilir; 2 yardımcı kübitlik faz tahmini kesin olarak 01 sonucunu verir.
4. Geri dönüş: â = sin²(π·f) = sin²(π/4) = 0,5. Tam isabet.

Örnek 2 — a = 0,25: sin θ = 0,5 → θ = π/6 → 2θ = π/3 → f = 1/6 ≈ 0,1667. Bu kez faz ikili sistemde sonsuz periyodiktir: 1/6 = 0,00101010…₂. 4 yardımcı kübitte en yakın m-bit değer f = 3/16 = 0,1875'tir ve â = sin²(3π/16) ≈ 0,31 çıkar; doğru değerden ~0,06 sapan bir sonuç. 10 kübitte yuvarlama hatası |Δf| ≤ 2⁻¹¹ olur; a = sin²(π·f) bağıntısının türevinden |Δa| ≈ π·sin(2θ)·|Δf| ≈ 2,72·|Δf| olduğundan hata 0,0013'ün altına iner. Aynen vaat edildiği gibi: hassasiyet kübit sayısıyla üstel iyileşir, bedeli ise faz tahmini devresinde Q'nun 2ᵐ mertebesinde kullanımıdır.

Sık Yapılan Hatalar ve Yanılgılar

• Tahmin ile yükseltmeyi karıştırmak: genlik yükseltme çözümün ölçülme olasılığını büyütür (Grover'ın amacı); genlik tahmini olasılığın değerini ölçer. Tahmin, yükseltmenin Q operatörünü ölçüm aleti olarak kullanır.
• Genlik ile olasılığı karıştırmak: algoritmanın çıktısı a = sin²θ'dır, √a değil. Fazı okuduktan sonraki kare alma adımını atlamak sonucu sistematik biçimde şişirir.
• Keyfi beklentilere doğrudan uygulamak: şablon a = |⟨1|A|0⟩|² biçiminde yazılabilen büyüklükler için geçerlidir; keyfi bir ⟨ψ|H|ψ⟩ beklendiği için önce Hadamard testi benzeri bir hazırlıkla problemi bu şablona çevirmek gerekir.
• “Bedava hassasiyet” beklemek: m bit hassasiyet için Q'nun 2ᵐ'e kadar güçleri uygulanır; derinlik üstel büyür. Gürültülü cihazlarda bu derinlik taşınamaz; bu yüzden faz tahminsiz ankastre varyantlar (MLAE, IAE) geliştirilmiştir. Derin devrelerin güvenilir koşması hata düzeltmesiyle mümkündür; Hata Toleranslı Kuantum Hesaplama dersi tam bu eşiği anlatır.

Beklenti değeri okuma problemi, QAOA'da maliyet fonksiyonunun ve Kuantum Makine Öğrenmesi dersinde çekirdek (kernel) değerlerinin ölçülmesinde de karşımıza çıkar; genlik tahmini bu ailenin en keskin okuma yöntemidir. Bütün derslerin listesi için içindekiler sayfasına bakabilirsin.

Kaynaklar ve İleri Okuma

Quantum Amplitude Amplification and Estimation (Brassard, Høyer, Mosca, Tapp) — genlik yükseltme ile genlik tahminini tek çerçevede kuran klasik makalenin arXiv sayfası.

A Fast Quantum Mechanical Algorithm for Database Search (L. K. Grover) — karesel hızlanmanın kökeni olan özgün makalenin arXiv özeti.

Amplitude amplification — Wikipedia — Q operatörünün tanımını, geometrisini ve genlik tahminiyle bağlantısını özetleyen madde.

Quantum phase estimation algorithm — Wikipedia — özdeğer fazının bitlere nasıl okunduğunu anlatan madde.

IBM Quantum Learning — faz tahmini ve kuantum algoritmaları için IBM'in resmi uygulamalı ders materyali.