Quantum Machine Learning

Quantum Machine Learning (QML) ist eine aufstrebende Disziplin, die die Eigenschaften der Quantenphysik nutzt, um Herausforderungen im Bereich Machine Learning und künstlicher Intelligenz zu lösen. QML bietet hier einige interessante Vorteile gegenüber klassischen Machine Learning Methoden. Einer der Hauptvorteile von Quantencomputern ist ihre Fähigkeit, mehrere Berechnungen gleichzeitig durchzuführen, was in der Zukunft die Geschwindigkeit und Effizienz von Machine Learning-Algorithmen exponentiell verbessern könnte. Darüber hinaus können Quantencomputer Muster in komplexen Datenmengen besser erkennen, auch solche, die für klassische Computer nicht vom Zufall zu unterscheiden sind. Allerdings unterliegen aktuelle Hardwarerealisierungen von Quantencomputern technischen Einschränkungen. So haben aktuelle Quantencomputer nur ca. 50-100 Qubits und können Algorithmen nur mit einer beschränkten Länge ausführen. Langfristig werden viele der entwickelten Algorithmen nur über fehlerkorrigierte Hardware ausführbar sein.

Um jedoch auch kurz- und mittelfristig QML-Methoden bereits auf dem Quantencomputer nutzbar zu machen, stehen derzeit variationelle Algorithmen im Fokus unserer Forschung. Hierbei handelt es sich um hybride Methoden, bei denen parametrisierte Quantenschaltkreise über eine klassische Optimierungsschleife auf die jeweilige Anwendung zugeschnitten werden. Diese Methode ermöglicht es, den Quantencomputer für spezifische Anwendungen zu konfigurieren und auf die Herausforderungen der jeweiligen Problemstellung einzugehen.

Im Mittelpunkt unserer Forschung steht die Identifikation von Anwendungen, bei denen der potentielle Vorteil von Quantencomputing ausgenutzt werden kann. Wir erforschen unter anderem die Vergleichbarkeit von herkömmlichen und quantenbasierten Algorithmen. Weiterhin entwickeln wir Lösungen für den vereinfachten Einsatz der Methoden in automatisierten und strukturierten Frameworks. Unsere Arbeit hat das Ziel, die Grenzen des derzeitigen Standes der Technik im Bereich QML zu erweitern und neue Wege für den Einsatz von Quantencomputern in Machine Learning und künstlicher Intelligenz zu finden.

Konkret liegen unsere Schwerpunkte im Bereich QML derzeit bei folgenden Themen

• Modelldesign: Um Daten mit Quantencomputern zu verarbeiten, müssen sie erst in einen Quantenzustand kodiert werden. Das Abstimmen der Enkodierungsstrategie auf das jeweilige Problem ist essentiell für den Erfolg einer QML Pipeline. Wir entwickeln automatisierte und systematische Methoden, um zielgerichtete Algorithmen zu entwickeln.
• Daten: Es gibt Hinweise darauf, dass die Existenz von Vorteilen quantenbasierter ML Algorithmen nicht nur durch den Algorithmus selbst, sondern insbesondere auch durch die Struktur des jeweiligen Datensatzes bestimmt ist. Wir untersuchen, für welche Daten QML besonders geeignet ist.
• Automatisierung: Sowohl klassisches ML, als auch QML erfordert ein hohes Expertenwissen. Um den Zugang zu QML zu vereinfachen, arbeiten wir an der automatisierten Anwendung von QML. Dies beinhaltet sowohl die Bewertung, ob für ein vorliegendes Problem eher QML oder klassisches ML angemessen ist, als auch die konkrete Auswahl eines geeigneten QML Algorithmus und der entsprechenden Vorverarbeitung.