Quanten-Computing und maschinelles Lernen kombiniert Das Potenzial von Quantum Machine Learning

Anbieter zum Thema

Rittal GmbH & Co. KG

DeRZ - Deutsche Rechenzentren GmbH

STACKIT GmbH & Co. KG

Welche Effekte kommen Developern aus der Kombination von Quantencomputing und maschinellen Lernen, kurz ML, zugute? Welche Möglichkeiten und Use Cases aktueller QML-Ansätze sind bereits jetzt erkennbar?

Auf welche Weise ist es möglich, frühzeitig vor gefährlichen Naturkatastrophen zu warnen? Wie lassen sich autonome Fahrzeuge zuverlässig fahren und absichern? Was macht eine Strahlentherapie weniger schädlich für umliegendes gesundes Gewebe? Dies sind alles Fragen, die mit ML-gestützten Simulationen untersucht werden können.

Die Fragestellungen und ihre Hintergründe sind allerdings derart komplex, dass für ihre Lösung sehr leistungsstarke Rechenressourcen erforderlich sind, die die Methoden des maschinellen Lernens unterstützen müssen. In diesem Zusammenhang wäre Quantenmaschinelles Lernen (QML) auf Quantencomputern ein vielversprechender Ansatz.

Was leisten Quantencomputer?

Einer der wichtigsten Unterschiede zwischen Quantenrechnern und herkömmlichen Computern besteht darin, dass Quantencomputer mit Qubits statt mit Bits arbeiten. Während ein Bit nur zwei Zustände (entweder 0 oder 1) darstellen kann, kann ein Qubit 0, 1 oder jede gewichtete Kombination dazwischen darstellen. Solche Phänomene werden als „Superposition“ bezeichnet. Auf diese Weise unterstützt ein Quantencomputer mehrere Zustände gleichzeitig. Durch diese massive Parallelisierung kann er komplexe Berechnungen wesentlich schneller durchführen als ein herkömmlicher Computer.

Unter Wissenschaftlern herrscht zunehmend Konsens darüber, dass Quantencomputer für einige Probleme besonders gut und herkömmliche Computer für andere Probleme besser geeignet sind. Daher qualifizieren sich Quantencomputer hervorragend zur Lösung von Problemen, die typischerweise Ressourcen erfordern, die komplex sowie exponentiell mit der Größe des Problems skalieren und daher mit klassischen Computern schwer oder praktisch unmöglich zu lösen sind.

Eine der Möglichkeiten, die Experten in diesem Zusammenhang diskutieren, ist eine hybride Variante dieser Rechner: Eine typische End-to-End-Anwendung enthält klassischen Code, der auf einer CPU ausgeführt wird, die aber auch Quantencode enthalten kann.

Funktion des quantenmaschinellen Lernens

Der Begriff „Quantenmaschinelles Lernen“ steht für die Kombination von Quantencomputing und maschinellem Lernen. Das bedeutet, dass einerseits mit den Methoden des maschinellen Lernens sich neue Quantenalgorithmen entwickeln oder Codes aufdecken lassen, mit denen Fehler in Quantenberechnungen korrigiert werden können. Andererseits können Quantencomputer beispielsweise die Zeit verkürzen, die zum Trainieren oder Auswerten eines maschinellen Lernmodells benötigt wird.

Dafür wird häufig ein Quantencomputer als Co-Prozessor in den maschinellen Lernprozess integriert. Das heißt, Teile des maschinellen Lernalgorithmus werden auf einem herkömmlichen Computer ausgeführt. Wobei rechentechnisch schwierige Unterprogramme, mit denen der klassische Computer zu kämpfen hätte, auf ein Quantengerät ausgelagert wird, das komplexere Berechnungen schneller ausführen kann. Daher handelt es sich bei Quanten-Machine-Learning-Lösungen meist um Hybride, bei denen klassische CPUs und Quantenverarbeitungseinheiten (QPUs) zusammenarbeiten.

Anwendungen für quantenmaschinelles Lernen

In der Folge zeigen wir an verschiedenen Beispielen auf, wie die Herausforderungen des Quantum Machine Learnings praktisch gelöst werden können.

Vorhersage von Wetterentwicklungen

Für eine Früherkennung von Stürmen und Naturkatastrophen kommen Simulationen zum Einsatz, die durch sogenannte generative Machine-Learning-Modelle erstellt werden. Solche Modelle hängen von unzähligen Parametern wie dem Zustand der Atmosphäre, eines Landes und eines Ozeans ab. Dies macht es schwierig, Wetterphänomene in ferner Zukunft vorherzusagen. Die Struktur von Quanten-Netzwerken scheint für die Bewältigung dieser Komplexität gut gerüstet zu sein.

Hierfür können Wissenschaftler einen hybriden Quantenansatz sowie synthetische Daten nutzen, die von einem überwachten Quanten-Machine-Learning-Modell erzeugt wurden, um beispielsweise Stürme vorherzusagen. In Versuchsreihen schneiden Hybridmodelle in der Regel genauso gut ab wie ein klassisches Basismodell. Darüber hinaus verbesserte der Ersatz einer Schicht des klassischen neuronalen Netzwerks durch eine Quantenfaltungsschicht bereits die Vorhersagen des Modells.

Sicherheit für autonome Fahrzeuge

Das Maschinelle Lernen hat große Potenziale bei der Weiterentwicklung selbstfahrender Fahrzeuge aufgezeigt. Die Technologie kann in diesem Bereich jedoch aufgrund der Komplexität und begrenzten Rechenleistung Probleme bereiten.

Es besteht ein zunehmendes Interesse daran, quantenmechanisches Lernen für eine Vielzahl von Anwendungen einzusetzen, darunter die Erkennung von Objekten und Verkehrszeichen, die Entscheidungsfindung und den Schutz vor Hacker-Angriffen. Auch für autonome Fahrzeuge ist zu befürchten, dass sie zu beliebten Zielen für Hacker werden. Quanten- und Postquantenkryptographie kann die Sicherheit von Fahrzeugsystemen gewährleisten.

Optimierung der Strahlentherapie

Medizinische Strahlentherapien schädigen meist das gesunde Gewebe sowie die Körperteile rund um die zu behandelnden Krebszellen. Um diese Schädigungen auf ein Mindestmaß zu reduzieren, muss ein optimaler Bestrahlungsplan definiert werden. Dies erfordert eine hochgradig personalisierte Therapie und viele Iterationen maschineller Lernsimulationen.

Es existieren Hinweise, dass die erhöhte Rauschresistenz und die bessere Mustererkennungsfähigkeit quantenverstärkter Algorithmen diesen Prozess unterstützen können. Ebenso dürfte die medizinische Diagnostik von der Merkmalsauswahl, der Entdeckung von Biomarkern und der Risikobewertung durch quantenmaschinelles Lernen profitieren.

(ID:49630878)