Trend-NEWS

Quantum Machine Learning (QML) bezeichnet üblicherweise den Einsatz von Quantencomputern im Bereich der Künstlichen Intelligenz zur Ausführung von Verfahren des Maschinellen Lernens (ML), um auf diese Weise Leistungssteigerungen zu erreichen. Maschinelles Lernen ermöglicht es dabei generell Computern selbstständig anhand von Trainingsdaten bestimmte Sachverhalte zu erlernen, z. B. welches Objekt auf einem Bild abgebildet ist. Der aktuell am häufigsten mit QML assoziierte potenzielle Vorteil gegenüber klassischen (nicht quantenphysikalischen) ML-Verfahren ist eine Beschleunigung von ML-Verfahren. Dies wäre beispielsweise für die intelligente Verarbeitung von umfangreichen Datenmengen (Big Data) von Interesse. QML-Verfahren könnten aber z. B. auch eine geringere Anzahl von Trainingsdaten als klassische ML-Verfahren benötigen. Im Rahmen von QML können sowohl klassische Daten als auch Daten verarbeitet werden, die in Form von Quantenzuständen vorliegen. Derartige Quantendaten lassen sich u. a. mit Hilfe von entsprechenden Quantensensoren gewinnen.

Bei Quantencomputern beruht im Gegensatz zu klassischen Computern die Informationsverarbeitung auf quantenphysikalischen Phänomenen. In der Quantenphysik müssen sich dabei im Vergleich zur klassischen Physik Systeme nicht in einem scharf definierten Zustand befinden, sondern sie können in Form einer Überlagerung (Superposition) von mehreren unterschiedlichen Zuständen gleichzeitig existieren. Dies wird bei Quantencomputern dadurch ausgenutzt, dass hier anstatt klassischer Bits Quantenbits (Qubits) verwendet werden. Während ein klassisches Bit zu jedem Zeitpunkt entweder den Wert Null oder Eins aufweist, kann sich ein Qubit in einer Superposition aus beiden Zuständen befinden. Quantencomputer können die verschiedenen Zustände einer Superposition von Qubits gleichzeitig verarbeiten und so potenziell erheblich schneller sein als klassische Computer.

Allgemein wären Quantencomputer nicht für beliebige Anwendungen schneller als klassische Computer, sondern nur in bestimmten Fällen. Ein Quantenalgorithmus muss nämlich z. B. berücksichtigen, dass es nach den Regeln der Quantenphysik nicht möglich ist, sämtliche Zustände einer Superposition zu messen, sondern stattdessen eine Messung nur einen einzigen, zufällig ausgewählten Zustand dieser Superposition ergibt. Außerdem müssen für die Verarbeitung von klassischen Daten diese zuerst in Quantenzustände überführt werden. Der hierfür notwendige Aufwand entscheidet u. a. darüber, ob mit Hilfe eines Quantenalgorithmus ein Geschwindigkeitsvorteil gegenüber einem klassischen Algorithmus erzielt werden kann.

Derzeit befindet sich QML noch in einem vergleichsweise frühen Entwicklungsstadium. Die Forschungsarbeiten in diesem Bereich waren bisher größtenteils theoretischer Natur. Die praktische Erprobung von QML-Verfahren wird augenblicklich noch durch die begrenzte Leistungsfähigkeit von verfügbarer Quantencomputerhardware eingeschränkt, u. a. durch deren geringe Anzahl von Qubits. Daher lassen sich beispielsweise lediglich Anwendungsfälle von QML experimentell untersuchen, die aufgrund von sehr kleinen Datensätzen nur einen geringen Bezug zur Realität besitzen. Außerdem werden aktuell häufig QML-Verfahren entwickelt, die seitens des Quantencomputers keine Korrektur von potenziell auftretenden Fehlern voraussetzen, da auch die in näherer Zukunft zur Verfügung stehenden Systeme hierzu vermutlich noch nicht in der Lage sein werden.

Viele Forschungsanstrengungen beschäftigen sich gegenwärtig mit Quantencomputer-basierten Umsetzungen von ML-Verfahren auf der Grundlage von sogenannten künstlichen neuronalen Netzwerken, mit deren Hilfe auf klassischen Computersystemen in letzter Zeit große Erfolge erzielt wurden. Allgemein erscheint im QML-Bereich die Verarbeitung von Quantendaten vielversprechend, die direkt mit Hilfe von Quantensensoren oder Quantencomputer-basierten Simulationen von quantenphysikalischen Systemen erzeugt werden, da dann keine aufwändige Konvertierung der Eingabedaten notwendig ist.