Kuantum Makine Öğrenimi (HORIZON-JU-EUROHPC-2026-QML-07)

Kuantum hesaplamanın, veri yoğun veya hesaplama açısından yoğun görevler için veri ön işleme boru hatlarına ve öğrenme iş akışlarına entegrasyonu; NISQ dönemi cihazlarıyla ulaşılabilir ölçeklerde işleme hızı, hesaplama karmaşıklığı ve modelleme doğruluğunda belirgin iyileştirmeler ve örnek gereksinimlerinde azalma sağlanması, Mevcut sistemlerle entegre edilmiş, güvenilir ve ölçeklenebilir Kuantum Makine Öğrenimi (QML) modelleri ve algoritmaları…

Önemli Bilgiler

• Program / Kurum: Ufuk Avrupa (Horizon Europe) — Avrupa Komisyonu
• Özgün başlık: Quantum Machine Learning (HORIZON-JU-EUROHPC-2026-QML-07)
• Kimler başvurabilir: Akademisyenler ve araştırmacılar
• Son başvuru tarihi: 28 Ocak 2027
• Başvuru adresi: ec.europa.eu/info/funding-tenders/opportunities/portal/screen/oppor…
• Resmi duyuru: ec.europa.eu/info/funding-tenders/opportunities/portal/screen/oppor…

Çağrı Metni (özgün dilinde)

Ufuk Avrupa (Horizon Europe) kapsamındaki HORIZON-JU-EUROHPC-2026-QML-07 çağrısında başvuruya açık 1 konu bulunmaktadır. Başvurular AB Fon ve İhale Portalı üzerinden konu sayfasındaki "Start submission" ile yapılır.

Konu açıklaması (Topic description)

HORIZON-JU-EUROHPC-2026-QML-07-01 — Quantum Machine Learning

Son başvuru: 28 Ocak 2027 · Eylem türü: HORIZON JU Araştırma ve İnovasyon Faaliyetleri · Konu bütçesi: 6.000.000 € · Beklenen proje sayısı: 2

Beklenen Sonuç:

• Kuantum hesaplamanın veri ön işleme süreçlerine ve öğrenme iş akışlarına entegrasyonu veri yoğun veya hesaplama açısından yoğun görevler için, NISQ dönemi cihazlarıyla ulaşılabilir ölçeklerde işlem hızı, hesaplama karmaşıklığı ve modelleme doğruluğunda belirgin iyileştirmeler sergileyen ve örnek gereksinimlerini azaltan,
• Mevcut yapay zeka çerçeveleri ve iş akışlarıyla entegre, daha hızlı veri işleme, daha yüksek tahmin doğruluğu ve gelişmiş hesaplama yetenekleri sağlayan, güvenilir ve ölçeklenebilir Kuantum Makine Öğrenimi (QML) modelleri ve algoritmaları,
• Hız, doğruluk, veri verimliliği, karmaşıklık veya ölçeklenebilirlik açısından klasik referans değerlere kıyasla ölçülebilir iyileştirmeler sergileyen, titiz karşılaştırmalı değerlendirme ve karmaşıklık analizleriyle desteklenen, doğrulanmış kuantum destekli yapay zeka yöntemleri,
• NISQ donanımına uygun, gürültüye duyarlı ve sağlam QML teknikleri, gerçek kuantum işlemcilerde güvenilirliği, performansı ve tekrarlanabilirliği artıran hata azaltma stratejileri ve algoritmik uyarlamalar dahil olmak üzere,
• QML'nin gerçek dünyadaki zorluklara (örneğin iklim ve çevre modellemesi, Dünya gözlemi, sağlık ve yaşam bilimleri, malzeme keşfi, finans, robotik, imalat ve siber güvenlik) ne kadar uygun olduğunu gösteren demonstrasyonlar veya kavram kanıtı uygulamaları,
• Strengthened European leadership ve kuantum bilişim ile güvenilir yapay zeka alanlarında teknolojik egemenlik; bu hedef, sektörler arası işbirliği, bilgi aktarımı ve yeni ortaya çıkan standartlara, kıyaslama ölçütlerine ve en iyi uygulamalara yapılan katkılarla desteklenmektedir.
• Kuantum hesaplama, makine öğrenimi ve uygulama alanları arasında işbirliğinin güçlendirilmesi ve koordineli bir Avrupa QML araştırma ve inovasyon topluluğunun oluşturulması.

Kapsam:

Tekliflerin, hem bilimsel mükemmelliği hem de endüstriyel alaka düzeyini hedefleyerek Kuantum Makine Öğrenimi (QML) alanındaki birçok önemli araştırma yönünü ele alması beklenmektedir. Teklifler, kuantum destekli yapay zeka yaklaşımlarının geliştirilmesi, doğrulanması ve gösterilmesine nasıl katkıda bulunulacağını açıkça ortaya koymalı ve pratik uygulamalara yönelik net bir yol haritası sunmalıdır. Önerilen çalışma, kuantum hesaplama alanında Avrupa’nın bilimsel ve teknolojik kapasitesini güçlendirmeli ve kuantum destekli yapay zeka çözümlerinin endüstri tarafından benimsenmesini hızlandırmalıdır.

Faaliyetler aşağıdakileri içerebilir, ancak bunlarla sınırlı değildir:

• kuantum, kuantumdan esinlenen veya hibrit QML algoritmalarının tasarımı ve analizi,
• kuantum destekli yapay zeka yöntemlerinin performans modellemesi, karmaşıklık analizi ve karşılaştırmalı değerlendirmesi,
• QML iş yüklerine özel hata azaltma ve gürültüye duyarlı stratejilerin geliştirilmesi,

Teklifler, büyük ölçekli ve hesaplama yoğunluğu yüksek problemleri çözebilecek ölçeklenebilir QML algoritmalarını geliştirmeyi amaçlamalıdır; buna aşağıdakileri içeren yaklaşımlar da dahildir:

• büyük veri hacimlerini ve karmaşık hesaplama görevlerini yönetebilir,
• ilgili uygulama alanlarında (örneğin, hidrolojik araştırma, iklim modellemesi, uydu uzaktan algılamasından arazi sınıflandırması, ilaç keşfi ve görüntü tabanlı tıbbi tanı) daha hızlı veri işleme ve gelişmiş tahmin performansı sağlar.

Mevcut birçok QML yöntemi, klasik algoritmalardan büyük ölçüde esinlenmeye devam etmekte ve bu nedenle henüz gerçek bir kuantum avantajı sağlayamamaktadır; bu durum, aşağıdaki alanlarda daha fazla geliştirme yapılmasını gerektirmektedir:

• quantum-native learning models,
• verimli kuantum çekirdekleri ve kuantum özellik eşlemeleri,
• klasik yaklaşımlara göre kanıtlanabilir veya deneysel avantajlar sergileyen algoritmalar.

Teklifler ayrıca resmi karmaşıklık analizlerini ve kuantum hızlandırmasından yararlanabilecek sorun sınıflarının belirlenmesini de içerebilir.

Geliştirilecek çalışmalar, aşağıdaki temel araştırma yönlerinden birden fazlasını ele almalıdır:

Quantum Supervised Learning (QSL):

Kuantum Denetimli Öğrenme, kuantum algoritmalarının denetimli öğrenme modellerinin eğitimini nasıl hızlandırabileceğini veya iyileştirebileceğini araştırır; bu da kuantum-klasik öğrenme teorilerini keşfetmek için yeni fırsatlar sunar ve endüstrinin geliştirme döngülerini kısaltmasına ve finans, sağlık hizmetleri ve Dünya gözlemi gibi veri yoğun alanlarda performansı artırmasına olanak tanır. QSL’yi mevcut iş akışlarına entegre etmek, hesaplama darboğazlarının aşılmasına yardımcı olabilir ve yüksek boyutlu verilerin daha verimli bir şekilde işlenmesini sağlayabilir.

• Teklifler, hesaplama darboğazlarını azaltmak, yüksek boyutlu veya büyük ölçekli ortamlarda verimliliği artırmak ve ölçülebilir performans kazanımları sağlamak amacıyla klasik yapay zeka iş akışlarına entegre edilebilecek kuantum algoritmaları ve kuantum alt rutinlerini ele almalıdır. Faaliyetler, bu tür yöntemlerin geliştirilmesi ve doğrulanmasını içermeli ve ilgili akademik veya endüstriyel kullanım örneklerinde uygulamalı gösterimler yapılmalıdır.

Quantum Convolutional Neural Networks (QCNNs)

Kuantum Evrişimli Sinir Ağları, klasik evrişimli mimarilerin kavramsal güçlü yönlerini kuantum işlemenin hesaplama avantajlarıyla birleştirerek, hibrit modellerde ifade gücü ve verimliliği keşfetmek için umut vaat eden bir test ortamı sunar ve ölçeklenebilirlik ile mevcut yapay zeka sistemleriyle uyumluluk için klasik çıkarım yöntemini korurken, eğitim sırasında QPU'ları kullanarak endüstriye kısa vadede kuantum avantajı elde etmenin pratik bir yolunu sağlar.

• Teklifler, eğitim aşamasında kuantum işleme teknolojisinden yararlanan hibrit QCNN mimarilerinin geliştirilmesi ve değerlendirilmesini ele almalı, bu mimarilerin ifade gücü, performansı ve sağlamlığını incelemeli ve örüntü tanıma, görüntü tabanlı analitik veya karmaşık sınıflandırma görevleri gibi endüstriyel zorluklara uygulanabilirliğini göstermelidir.

Kuantum Modelleriyle Öğrenme

Kuantum modelleri, parametreleştirilmiş kuantum devreleri ve kuantum çekirdekleri aracılığıyla kuantum hesaplamayı hem eğitim hem de çıkarım süreçlerine doğrudan entegre eder; bu sayede kuantum veri temsilleri, özellik ifade gücü ve genelleme teorisi konularındaki anlayışta ilerlemeler sağlanırken, model karmaşıklığının azaltılması, daha hızlı eğitim döngüleri ve daha düşük veri gereksinimleri gibi endüstriye fayda sağlar — özellikle veri kıtlığı olan veya yüksek değerli alanlarda (örn. ilaç keşfi, otonom sistemler, malzeme mühendisliği)

• Teklifler, bu tür devreler ve çekirdekler kullanılarak kuantum tabanlı öğrenme modellerinin tasarımı ve değerlendirilmesini ele almalı; boyut indirgeme, hızlandırılmış eğitim ve örnek verimliliği için yöntemleri araştırmalı; ayrıca uygulamalı vaka çalışmalarında difüzyon modelleri de dahil olmak üzere kuantumla güçlendirilmiş üretici modellere yönelik genişletmeleri incelemelidir.

Quantum Reinforcement Learning (QRL)

Kuantum Pekiştirmeli Öğrenme, kuantum hesaplamanın pekiştirmeli öğrenmenin verimliliğini ve ölçeklenebilirliğini nasıl artırabileceğini araştırır; araştırmacılara yüksek boyutlu veya sürekli durum uzaylarında pekiştirmeli öğrenmenin temellerini yeniden düşünme fırsatı sunar ve endüstriye daha hızlı politika eğitimi ve daha etkili keşif stratejileri (örneğin robotik, lojistik optimizasyonu ve uyarlanabilir kontrol alanlarında) için potansiyel sağlar.

• Teklifler, politik arama için kuantum hızlandırmalı optimizasyon, gelişmiş keşif mekanizmaları ve daha ileri aşamalarda hem eğitim hem de çıkarım sırasında hesaplama yapabilen kuantum ajanlarının uygulanması dahil olmak üzere, pekiştirmeli öğrenme için kuantum veya hibrit kuantum-klasik yaklaşımların geliştirilmesini ele almalıdır.

Quantum Unsupervised Learning

Kuantum denetimsiz öğrenme, etiketlenmemiş verilerdeki gizli yapıları, kümeleri ve kalıpları tespit edebilen kuantum algoritmalarını araştırır; kuantum destekli veri analizine yeni teorik içgörüler sunar ve endüstriye, özellikle klasik yöntemlerin hesaplama açısından imkansız hale geldiği karmaşık veya yüksek boyutlu veri kümeleri için, anomali tespiti, müşteri segmentasyonu ve öngörücü bakım gibi görevlerde polinom hız artışları gibi potansiyel faydalar sunar; özellikle klasik yöntemlerin hesaplama açısından uygulanamaz hale geldiği karmaşık veya yüksek boyutlu veri kümeleri için

• Teklifler, kuantum spektral kümeleme ve ilgili teknikler dahil olmak üzere, denetimsiz öğrenme için gelişmiş kuantum algoritmalarını araştırmalı, ampirik hız artışlarını göstermeli ve endüstriyel veya araştırma uygulamalarıyla ilgili yüksek boyutlu veya karmaşık veri kümeleri üzerinde performansı doğrulamalıdır.

Algoritmik Keşif için Kuantum Yapay Zeka

Algoritmik keşif için kuantum yapay zeka, kuantum hesaplamayı klasik makine öğrenimi ile birleştirerek yeni algoritmalar ve hesaplama stratejileri tasarlar; bu sayede araştırmacılar, geniş algoritmik arama alanlarını keşfedip temelde yeni kuantum veya hibrit yaklaşımlar geliştirebilirken, endüstriye simülasyon, optimizasyon ve veriye dayalı modelleme (örn. ileri imalat, kimya mühendisliği, siber güvenlik ve enerji sistemleri)

• Teklifler, algoritmaların, hesaplama stratejilerinin ve model mimarilerinin keşfini ve optimizasyonunu otomatikleştirmek amacıyla kuantum hesaplamanın klasik yapay zeka teknikleriyle entegrasyonunu ele almalı ve kuantum destekli yapay zeka geliştirme alanında Avrupa’nın liderliğini pekiştirecek yöntemler, prototipler veya karşılaştırma ölçütleri sunmalıdır.

Geniş kapsamlı uygulanabilirlik, hızlı teknolojik benimseme ve sürdürülebilir uzun vadeli etki sağlamak amacıyla, akademi, araştırma altyapıları, endüstri, KOBİ’ler ve Avrupa kuantum ekosistemindeki aktörler arasında işbirliği şiddetle teşvik edilmektedir. Teklifler, işbirliğine dayalı yaklaşımın ve bunun sonucunda ortaya çıkan yeniliklerin, kuantum teknolojileri ile güvenilir, yüksek performanslı yapay zeka alanlarında Avrupa’nın liderliğini güçlendirmeye nasıl katkıda bulunacağını ortaya koymalıdır.

Teklif ayrıca, açıklığı korumak ve Avrupa Birliği ile Katılımcı Ülkeler içinde ilk kullanımın sağlanmasına olanak tanıyan Avrupa endüstrisi tarafından benimsenmesini teşvik etmek amacıyla, Avrupa Birliği Kamu Lisansı (EUPL-1.2) kapsamında net bir fikri mülkiyet planı ve lisanslama stratejisi içermelidir.

Requirements:

1. Teklifler, QML alanındaki en son gelişmeleri ve bu alandaki farklı temel araştırma yönelimlerini dikkate almalıdır.
2. Geliştirilen tüm yazılımlar, yeni yazılım bileşenleri için tercih edilen varsayılan lisans olan Avrupa Birliği Kamu Lisansı (EUPL) veya EUPL ile uyumlu diğer OSI onaylı lisanslar kapsamında kullanıcı topluluklarının kullanımına sunulacaktır.
3. Tekliflerin code.europa.eu deposundan yararlanması ve deponun politikasıyla uyumlu olması halinde, gerekli destekleyici veriler ve belgeler dahil olmak üzere ilgili yazılımı bu platform üzerinden sunması beklenmektedir.
4. Seçilen konsorsiyumların, CEN/CENELEC, JTC 22 ve diğer ilgili çalışma gruplarıyla işbirliği dahil olmak üzere, Avrupa ve uluslararası standardizasyon çalışmalarına sistematik geri bildirim sağlamaları beklenmektedir;
5. Seçilen konsorsiyumların, Quantum Flagship’in Stratejik Araştırma ve Sanayi Gündemi ile yakından uyumlu olması ve Horizon Europe ile EuroHPC kuantum projeleriyle güçlü bir işbirliği ve tamamlayıcılık sergilemesi beklenmektedir.

Teknoloji Hazırlık Seviyesi - Tamamlanan projelerden beklenen teknoloji hazırlık seviyesi

Bilgiler resmî duyurudan derlenmiştir; başvuru öncesinde güncel koşulları resmî duyurudan kontrol ediniz.

Bu metin özgün İngilizce duyurudan otomatik olarak çevrilmiştir; bağlayıcı olan özgün metindir.