• Themenfeld
  • Teilgebiet
  • Thema

Unsuper­vi­sed QML

Unsuper­vi­sed Quantum Machine Learning (UQML) – oder unüber­wach­tes Quanten-Maschi­nel­les Lernen – unter­sucht, wie Quanten­com­pu­ter verbor­gene Muster in Daten finden können, ohne dass man ihnen sagt, wonach sie suchen sollen. Während beim „überwach­ten“ Lernen mit gelabel­ten Beispie­len trainiert wird, analy­siert die Maschine bei UQML Rohda­ten und findet selbst­stän­dig Gruppen oder Anoma­lien. Durch die Nutzung von Quanten­ei­gen­schaf­ten wie der Super­po­si­tion (Gleich­zei­tig­keit verschie­de­ner Zustände) können UQML-Algorith­men theore­tisch riesige Mengen komple­xer Daten effek­ti­ver sortie­ren als heutige Super­com­pu­ter. Dies macht sie zu einem vielver­spre­chen­den Werkzeug für die Entde­ckung neuer Chemi­ka­lien, die Erken­nung von Betrug oder die Organi­sa­tion großer Finanzdatensätze.

Themen im Teilgebiet Quantum Machine Learning:

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

Generative QML

Beim generativen Quanten-Maschinellen Lernen (GQML) soll aus gegebenen Datenpunkten ein Modell gelernt werden, das eine...

Super­vi­sed QML

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

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