- Themenfeld
- Teilgebiet
- Thema
Quantum Machine Learning
Quantum Machine Learning (QML) untersucht, wie Quantencomputer datengetriebene Modelle verbessern oder erweitern können. Klassisches Machine Learning repräsentiert Daten als Bitfolgen und verarbeitet Vektoren und Matrizen mithilfe linearer Algebra. QML ersetzt oder ergänzt diese Schritte durch Quantenzustände und Quantenschaltkreise, mit dem Ziel schnelleres Training, effizienteres Sampling oder grundlegend neue Modellklassen zu ermöglichen. Zentrale Ansätze sind variationale Quantenschaltkreise, die ähnlich wie neuronale Netze optimiert werden, sowie Quantenkernel-Methoden, bei denen Daten in hochdimensionale Hilberträume eingebettet werden. Auf heutigen rauschbehafteten Quantenprozessoren mittlerer Größe (NISQ) dient QML als Experimentierfeld für kurzfristige Quantenvorteile, etwa in Chemie, Finanzanwendungen und Optimierungsproblemen, und treibt die gemeinsame Entwicklung von Algorithmen, Hardware und Fehlermitigationsverfahren voran.
Themen im Teilgebiet Quantum Machine Learning
Wählen Sie eine fachliche Spezialisierung innerhalb des Teilgebiets Quantum Machine Learning
Mehr ausgewählte Quantencomputing-Software:
Wählen Sie eines der Quantencomputing-Software
