Einführung in hybride Algorithmen des Quantum Machine Learnings

  • type: Vorlesung (V)
  • chair: Zentrale Einrichtungen - Steinbuch Centre for Computing
    KIT-Fakultäten - KIT-Fakultät für Informatik - Institut für Telematik - ITM Streit
    KIT-Fakultäten - KIT-Fakultät für Informatik
  • semester: WS 22/23
  • time: Mi 26.10.2022
    09:45 - 11:15, wöchentlich


    Mi 02.11.2022
    09:45 - 11:15, wöchentlich

    Mi 09.11.2022
    09:45 - 11:15, wöchentlich

    Mi 16.11.2022
    09:45 - 11:15, wöchentlich

    Mi 23.11.2022
    09:45 - 11:15, wöchentlich

    Mi 30.11.2022
    09:45 - 11:15, wöchentlich

    Mi 07.12.2022
    09:45 - 11:15, wöchentlich

    Mi 14.12.2022
    09:45 - 11:15, wöchentlich

    Mi 21.12.2022
    09:45 - 11:15, wöchentlich

    Mi 11.01.2023
    09:45 - 11:15, wöchentlich

    Mi 18.01.2023
    09:45 - 11:15, wöchentlich

    Mi 25.01.2023
    09:45 - 11:15, wöchentlich

    Mi 01.02.2023
    09:45 - 11:15, wöchentlich

    Mi 08.02.2023
    09:45 - 11:15, wöchentlich

    Mi 15.02.2023
    09:45 - 11:15, wöchentlich


  • lecturer: Dr. Eileen Kühn
    Dr. Max Fischer
  • sws: 2
  • lv-no.: 2400171
  • information: Präsenz
Inhalt

Dieses Modul soll den Studierenden die theoretischen und praktischen Aspekte der hybriden Nutzung von Quantenschaltkreisen in klassischen Algorithmen des Maschinellen Lernens näher bringen. Hierzu werden zunächst im ersten Teil der Vorlesung die notwendigen mathematischen Grundlagen von Quantensystemen und deren Repräsentation durch Qubits und Quantenschaltkreise vermittelt, bevor auf Basis bekannter Quantenalgorithmen die Vorteile und Möglichkeiten des Quantencomputings aufgezeigt werden. Schließlich wird ein Überblick über aktuelle hybride Ansätze im Bereich des Quantum Machine Learnings (QML) und deren Einsatzmöglichkeiten und Grenzen vermittelt:

  • Grundlagen und Grundbegriffe
    • Theoretische und praktische Grundlagen des Quantencomputings
    • Taxonomie des Quantum Machine Learnings
  • Klassische Quantenalgorithmen
  • Überblick über hybride QML-Algorithmen, z.B.
    • Quantum Autoencoder
    • Quantum Convolutional Neural Networks
    • Quantum Generative Adversarial Neural Networks
    • Quantum Kernels
  • Aktuelle Herausforderungen, z.B.
    • Noise
    • Barren Plateaus

Insbesondere werden im Rahmen des Moduls die Anwendbarkeit auf heutigen Quantencomputern und die Skalierbarkeit der vorgestellten Ansätze beleuchtet.

VortragsspracheDeutsch