Quantum ML | LAMARR

|Darstellung der Shapley-Werte zur Erklärung von Merkmalen der Eingabedaten. Die Gatter nehmen dabei die Position von „Spielern“ in einem Koalitionsspiel ein.|Modifizierte Quantenschaltung zur Bestimmung der Beitrag der einzelnen Gatter.

Erklärbarkeit von Gattern in Quantenschaltkreisen mit Shapley-Werten

22. März 2023

Sascha

Mücke

Durch die Anwendung von Shapley-Werten auf die Quanteninformatik erklären Lamarr-Forschende die Rolle bestimmter Gatter in einem Quantenschaltkreis und geben Einblicke in die Funktionsweise von Modellen des Quantum Machine Learning.

|Verschiedene Quellen von Fehlern|Diagramm der beobachteten Verteilung der Zufallszahlen

Quantenzufallszahlen im Maschinellen Lernen

27. Oktober 2021

Sascha

Mücke

Durch ihr stochastisches Verhalten können Qubits (Quanten-Bits) als Quelle von (echten) Zufallszahlen im Maschinellen Lernen verwendet werden. Forschende des ML2R untersuchten den Einsatz von Quanten-Zufallszahlen zur Initialisierung von maschinellen Lernmodellen.

|Evolutionäre Optimierung|Evolutionäre Optimierung|Evolutionäre Optimierung

Evolutionäre Optimierung von Quantenschaltkreisen

12. Mai 2021

Sascha

Mücke

Die Evolutionäre Optimierung ist eine echte Alternative zu gradientenbasierten Verfahren, da sie flexibler in verschiedenen Anwendungsszenarien eingesetzt werden kann. ML2R-Forschende nutzten evolutionäre Algorithmen, um Schaltkreise von Quantencomputern zu optimieren.

Quantencomputer|Quantumcomputer|Quantencomputer

Quantencomputer: Neue Potenziale für Maschinelles Lernen

4. Mai 2021

Christian

Bauckhage

Nico

Piatkowski

Quantencomputer haben das Potenzial, Informationen schneller zu verarbeiten und komplexere Aufgaben zu bewältigen als klassische Computer. Sie werden Künstliche Intelligenz und Maschinelles Lernen tiefgreifend verändern und neue Anwendungsmöglichkeiten für ML-Verfahren erschließen.