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.

Quantum Machine Learning (QML) studies how quantum compu­ters can enhance data-driven models. Classi­cal machine learning repres­ents data as bit strings and manipu­la­tes vectors and matri­ces with linear algebra. QML replaces or augments these steps with quantum states and quantum circuits, hoping for faster training, impro­ved sampling, or funda­men­tally new model classes. Key approa­ches include varia­tio­nal quantum circuits, optimi­zed like neural networks, and quantum kernel methods that embed data in high-dimen­sio­nal Hilbert spaces. On today’s noisy inter­me­diate-scale quantum (NISQ) devices, QML serves as a testbed for near-term quantum advan­tage in chemis­try, finance, and optimiza­tion, and drives co-design of algorithms, hardware, and error mitigation