Super­vi­sed QML

Überwach­tes maschi­nel­les Lernen (Super­vi­sed Machine Learning, ML) ist eine grund­le­gende algorith­mi­sche Methode, mit der aus gelabel­ten Trainings­da­ten – also Paare von Einga­ben und bekann­ten Ausga­ben – Muster gelernt werden, um Vorher­sa­gen für neue, bislang unbekannte Daten zu treffen. Seit mehre­ren Jahrzehn­ten versu­chen Forschende, quanten­phy­si­ka­li­sche Phäno­mene wie Super­po­si­tion und Verschrän­kung zu nutzen, um Infor­ma­ti­ons­ver­ar­bei­tung jenseits klassi­scher Leistungs­gren­zen zu ermög­li­chen. Aus der Verbin­dung dieser beiden Ansätze ist das Forschungs­feld des überwach­ten Quanten-Maschi­nel­len Lernens (Super­vi­sed Quantum Machine Learning, QML) entstan­den. Dabei werden überwachte Trainings- und Vorher­sa­ge­auf­ga­ben gezielt auf einem Quanten­com­pu­ter ausge­führt, um gegen­über klassi­schen ML-Verfah­ren Vorteile zu erzie­len. Bereits heute sind zwei gut etablierte Quellen solcher Vorteile bekannt: Beschleu­ni­gun­gen bei der Inferenz sowie eine erhöhte Ausdrucks­stärke der Modelle. Dadurch eignet sich QML insbe­son­dere zur Verar­bei­tung und Model­lie­rung hochkom­ple­xer, umfang­rei­cher Datensätze.