AI4QT

Quantenalgorithmen für das maschinelle Lernen gehören zu den vielversprechendsten Anwendungen des Quantencomputing. Für die Erreichung eines Quantenvorteils benötigen diese Algorithmen jedoch viele fehlerkorrigierte Qubits. Auf den zur Verfügung stehenden verrauschten Quantenprozessoren ist die Realisierung von Fehlerkorrekturverfahren jedoch technisch noch nicht möglich, was die Erforschung von sogenannten NISQ-Algorithmen für das quantenmaschinelle Lernen nötig macht.

Daher werden im Projekt Quantenalgorithmen für drei bekannte Anwendungen des maschinellen Lernens (Klassifizierung, Generierung von Daten und Unüberwachten Lernens) identifiziert und auf Simulatoren sowie echter Quantenhardware ausgeführt. Außerdem werden maschinelle Lernalgorithmen für Daten von Quantensensoren entwickelt, welche in Form quantenmechanischer Zustände vorliegen. Ein weiteres Ziel des Projekts ist es schließlich, Verfahren für die Charakterisierung und Mitigation von Fehlern auf verrauschter Quantenhardware zu entwickeln und diese auf die untersuchten Quantenalgorithmen anzuwenden.

Die im Projekt entwickelten Protokolle, Bibliotheken und Algorithmen für verschiedene Quantencomputing-Plattformen kombinieren aktuelle wissenschaftliche Erkenntnisse des Quantencomputings mit denen des maschinellen Lernens. Die Innovation liegt in der Symbiose von Hardware und Software, die dazu beiträgt, maschinelles Lernen zur wissenschaftlichen Optimierung zu nutzen. Wir hoffen, dass Quantencomputing praktische Anwendungen des maschinellen Lernens ermöglichen und die Industrie bei diesem Schritt unterstützen wird.