Quantum Machine Learning

Das Quantencomputing zählt durch quantenmechanische Prinzipien wie Superposition und Quantenverschränkung heutzutage zu einer der vielversprechendsten Technologien. Diese Prinzipien stehen auf klassischen Computern nicht zur Verfügung und bieten die Grundlage für neuartige Algorithmenimplementierungen mit potentiell exponentiellen Laufzeitverbesserungen. Ein sehr bekanntes Beispiel dafür ist der von Peter Shor vorgestellte Quanten-Algorithmus zur Primfaktorzerlegung.

Die heute zur Verfügung stehenden Quantencomputer haben allerdings weder die notwendige Größe noch Qualität, die für solche Algorithmen benötigt werden. Ein potentiell erfolgsversprechender Ansatz liegt im Bereich des Quantum Machine Learnings, bei dem Teile klassischer Algorithmen des maschinellen Lernens mit Komponenten, die auf einem Quantencomputer laufen, kombiniert werden. Diese hybriden quanten-klassischen Ansätze ermöglichen es gleichermaßen, eine Anpassung der Skalierung sowie die Mitigation von Rauscheffekten zu unterstützen.

Das Quantum-Machine-Learning-Team am SCC kombiniert die Expertise aus den Bereichen Informatik, Elektrotechnik, Theoretischer Physik sowie Experimentalphysik und widmet sich nicht nur den grundlegenden Fragen der Lernbarkeit und Trainierbarkeit in hybriden quanten-klassischen Workflows, sondern fokussiert sich insbesondere auch auf Umsetzbarkeit, Anwendbarkeit und Skalierbarkeit. Wir untersuchen aktuell die unterschiedlichen Einflüsse von variationellen Quanten-Kerneln, des Datenencodings sowie verschiedener Kostenfunktionen.

Zusätzlich arbeiten wir in enger Zusammenarbeit mit dem Simulation and Data Life Cycle Lab Teilchen- und Astroteilchenphysik an der prototypischen Implementierung und Evaluation der Möglichkeiten des Einsatzes von Quantenalgorithmen für die Hochenergiephysik.