Maschinelles Lernen mit Quantencomputing

Machine Learning wird als Schlüsseltechnologie der Künstlichen Intelligenz (KI) verstanden. Machine-Learning-Verfahren lernen aus große Datenmengen Zusammenhänge, die für unser menschliches Gehirn aufgrund der Komplexität verborgen bleiben würden. Diese Machine-Learning-Verfahren unterscheiden sich in ihrem Ansatz stark von der Arbeitsweise unseres menschlichen Gehirns. Für das erfolgreiche Lernen von Mustern sind sie von einer riesigen Anzahl von Beispielen abhängig.

Bei komplexen Zusammenhängen helfen entsprechend komplexe Modelle dabei, die Zusammenhänge zu beschreiben. Hierdurch entstehen aufwendige Rechenvorgänge, die heute auf Spezialhardware wie GPUs (Graphic Processing Units), TPUs (Tensor Processing Units) oder FPGAs (Field Programmable Gate Arrays) gelöst werden. Je nach Anwendungsgebiet stoßen diese Technologien schon heute an ihre Grenzen. Wir wollen diese Grenzen überwinden und außerdem zukünftig Zusammenhänge von immer komplexeren Systemen verstehen.

Mit quantenunterstütztem Machine Learning kann hier eine neue Ära an Möglichkeiten beginnen. Zum Einen kann sich die Trainingszeit stark verkürzen, zum Anderen kann sich auch die Genauigkeit der Verfahren erhöhen.

Algorithmen im Einsatz

Klassifizierung

Neuronales Netzwerk

In der Klassifizierung von Daten sind unter anderem Support-Vektor-Maschinen im Einsatz. Sind die Daten nicht nur mit einer einfachen Geraden trennbar, kommen sogenannte Kernels zum Einsatz, die die Daten in höher dimensionalen Räumen abbilden. „Quantum Support Vector“-Maschinen können aufgrund der Quantenbit-Eigenschaften neue Arten von Kernels realisieren. Dies kann die Vorhersagegenauigkeit des Modells erhöhen.

Neuronale Netze sind heute bei komplexen Machine-Learning-Aufgaben für Regressionen oder Klassifizierung im Einsatz. Mit einem quantenneuronalen Netz werden Teile oder alle Schichten des Netzes mit Quantenschichten ersetzt. Statt klassischer Gewichte werden nun Rotationswinkel von Qubits gelernt. Hierdurch kann ein schnellerer Lernprozess und besseres Konvergenzverhalten erreicht werden.