TEKNOFEST 2025 Kuantum Teknolojileri Yarışması – Yazılım Kategorisinde Türkiye 2’ncisi olan Alisha Takımı, İzmir Kâtip Çelebi Üniversitesi Bilgisayar Mühendisliği Bölümü öğrencileri Erdem Altuğ Malkan (4. sınıf), Halim Ağdemir (4. sınıf) ve İsmail Tarım (2. sınıf) tarafından oluşturuldu. Yarışmada takımımız, gürültülü ve düşük kaliteli kamera koşullarında da çalışabilen, kuantum sinir ağları (QNN) tabanlı yenilikçi bir yüz tanıma sistemi geliştirdi.

Yarışma Problemi: Gürültü ve Ayrıştırma Zorluğu

Yarışma kapsamında, CCTV benzeri değişken ışık, motion blur ve sensör kaynaklı gürültü içeren ortamlarda, 8 kişiden oluşan, ~3.000 görüntülük bir veri kümesinde yüzleri doğru tanımak ve birbirine benzeyen yüzleri ayrıştırmak hedeflendi. Bu hedefle, geleneksel yöntemlerin gürültüye duyarlılığını azaltacak ve ayrıştırma gücünü artıracak yaklaşımlar talep edildi.

Hibrit Klasik–Kuantum Mimari ve EQNAS Optimizasyonu

Alisha Takımı; veri hazırlama, klasik özellik çıkarımı ve kuantum devre tabanlı sınıflandırmayı birleştiren hibrit bir boru hattı geliştirdi:

Veri artırma: Döndürme, gürültü ekleme (Gaussian, salt–pepper), Gaussian blur ve parlaklık ayarı ile başlangıçtaki ~3.000 görüntü 8.395 örneğe genişletildi. Böylece modelin genelleme kabiliyeti artırıldı.

Yüz çıkarımı (performans odaklı): Başlangıç denemeleri sonrası FaceNet-512 + OpenCV Haar Cascade ile saniyede ~20 görüntü işlenecek şekilde hız/başarım dengelendi. Başarısız tespitlerde hafif RetinaFace geri çağrısı kullanıldı.

Özellik çıkarımı ve boyut indirgeme: Çeşitli adayların değerlendirilmesi sonucu FaceNet-128 özellikleri ve PCA ile kompakt temsil tercih edildi; QNN’e aktarım için özellikler açısal kodlama ile [−π, π] aralığına normalleştirildi.

Kuantum Sinir Ağı: 4 qubit, 1 katman, halka biçimli CNOT dolanıklık ve parametrik Rot kapılarıyla kurulan kompakt QNN tasarlandı.

EQNAS (Evolutionary Quantum Neural Architecture Search): Kapı türleri, bağlantı topolojileri ve derinliği kapsayan arama uzayında evrimsel bir stratejiyle mimari optimize edildi; çok amaçlı fitness, F1/AUC ile devre karmaşıklığı ve eğitim maliyetini birlikte dengeledi.

Sonuçlar ve Değerlendirme

Deneysel performans: Early stopping ile %53,67 doğruluk, F1-macro = 0,5367, ROC–AUC = 0,5443 elde edildi. Özellikle örnek sayısı yüksek sınıflarda daha iyi başarım gözlendi.

Fake backend denemeleri: 57 örnekte %91,22 doğruluk görülse de sınıf dengesizliği nedeniyle pozitif sınıf için metrikler düşük kaldı; bu durum veri dengesine duyarlılığı işaret etti.