• Themenfeld
  • Teilgebiet
  • Thema

Genera­tive QML

Beim generativen Quanten-Maschinellen Lernen (GQML) soll aus gegebenen Datenpunkten ein Modell gelernt werden, das eine unbekannte Wahrscheinlichkeitsverteilung approximiert und daraus realistische, neue Stichproben erzeugen kann. Das Modell ist hierbei ein parametrisierter Quantenschaltkreis. Aktuelle Arbeiten zeigen, dass sich für bestimmte GQML-Modelle ein Quantenvorteil erreichen lässt: Die Stichprobennahme erfordert einen Quantencomputer, während das Training dank spezieller Simulationstechniken vollständig auf klassischen Rechnern durchgeführt werden kann. Die zugrunde liegende Asymmetrie entsteht dadurch, dass für das Training nur lokale Erwartungswerte der Quantenschaltkreise benötigt werden, zum Sampling jedoch die vollständige Interferenzstruktur der Ausgangsverteilung.

Themen im Teilgebiet Quantum Machine Learning:

Wählen Sie ein anderes Thema in innerhalb des Teilgebiets Quantum Machine Learning

Super­vi­sed QML

Überwach­tes maschi­nel­les Lernen (Super­vi­sed Machine Learning, ML) ist eine grund­le­gende algorith­mi­sche Methode, mit der…

Unsuper­vi­sed QML

Unüber­wach­tes Quanten-Maschi­nel­les Lernen unter­sucht, wie Quanten­com­pu­ter verbor­gene Muster in Daten finden können, ohne dass…

Kernel

Kernel­me­tho­den bilden Daten mit komple­xen, nicht­li­nea­ren Zusam­men­hän­gen in einen hochdi­men­sio­na­len Merkmals­raum ab, um das…

QNNs

Quanten‑Neuronale Netze (Quantum Neural Networks, QNNs) sind Modelle des maschi­nel­len Lernens, die…

QELM

Tradi­tio­nelle Ansätze des überwach­ten Lernens mit neuro­na­len Netzwerk­ar­chi­tek­tu­ren (Neural Networks, NN) erfor­dern während des…

Traina­bi­lity

Die Trainier­bar­keit (Traina­bi­lity) im Quanten‑Maschinellen Lernen beschreibt, wie…

Partner