Maschinelles Lernen ist längst Teil unseres alltäglichen Lebens. In seiner gegenwärtigen Form hat es nichts mit Quantenmechanik zu tun. Dies mag sich in Zukunft ändern, denn neue Ansätze, die die Eigenschaften quantenmechanischer Systeme ausnutzen, versprechen beispielsweise einen geringeren Trainingsaufwand - dem Haupt-Kostenfaktor in klassischen deep neural networks. Doch worauf basiert ein möglicher Vorteil quantenmechanischer Systeme?

Skalierung des Hilbertraums - Das Prinzip der Superposition erlaubt es quantenmechanischen neuronalen Netzwerken exponentiell in ihren Freiheitsgraden zu skalieren, während die Anzahl der Quantensubsysteme nur linear steigt. Selbst große Sprachmodelle mit über 600 Milliarden Parametern ließen sich daher prinzipiell bereits auf Quantenhardware mit nur wenigen zehn Qubits ausführen.

Verschränkung - Eine Eigenschaft, die sich nur auf quantenmechanischen Systemen nutzen lässt, ist die Verschränkung. Während der Nutzen der Verschränkung beispielsweise beim Shor-Algorithmus klar ersichtlich ist, bleibt die Frage nach dem Nutzen dieser einzigartigen Resource im quantenmaschinellen Lernen zum aktuellen Zeitpunkt eine offene.

Native Verarbeitung von Quantensignalen - Das Forschungsfeld der Quantensensorik gehört zu den ausgereiftesten Abzweigungen der Quantenhochtechnologien und hat bereits jetzt industrielle Anwendungszwecke. Aktuelle Methoden extrahieren klassische Information aus den Quantensensoren um diese zu verarbeiten; dabei geht die Reichhaltigkeit der Quanteninformation verloren. Quantenmaschinelles Lernen ermöglicht die native Auswertung der Sensoren, um den vollen Informationsgehalt der Sensorik ausschöpfen zu können.

An der CvO Universität Oldenburg wird an Konzepten für maschinelles Lernen auf Quantensystemen als Hardware-Plattformen geforscht. Hier gibt es vorrangig zwei Richtungen:

Gatterbasiertes Quantencomputing: Hierbei geht es darum, Lernprozesse über Quantenalgorithmen zu implementieren, die auf Quantencomputern ausgeführt werden können. Keiner weiß momentan, welche Ansätze dabei am besten funktionieren. Wir beschäftigen uns beispielsweise mit der Fragestellung, welche Rolle der Codierungsprozess eines Eingangssignals auf die Expressivität hat - das ist die Fähigkeit des Algorithmus, möglichst viele linear unabhängige Frequenzkomponenten des Eingangssignals zu erzeugen.

Quantenneuronale Netze: Dieser Ansatz betrachtet Quantensysteme, die durch gegenseitige Kopplung ein Netzwerk bilden, etwas in Analogie zu künstlichen neuronalen Netzen. Signale können dann beispielsweise in Form von Zeitreihendaten durch Messprozesse in das Quantennetzwerk geschrieben werden. Die komplexe Dynamik des Netzwerks kann dann ebenfalls für maschinelles Lernen benutzt werden. 

Kontakt:

AG Quantentheorie
Prof. Dr. Christopher Gies