QNNs

Quanten‑Neuronale Netze (Quantum Neural Networks, QNNs) sind Modelle des maschi­nel­len Lernens, die auf trainier­ba­ren, parame­tri­sier­ten Quanten­schalt­krei­sen basie­ren. Ähnlich wie klassi­sche neuro­nale Netze ordnen sie Einga­ben Ausga­ben zu, indem Parame­ter so angepasst werden, dass eine Zielfunk­tion (Loss‑Funktion) minimiert wird. In der Praxis sind QNNs häufig hybrid aufge­baut: Ein klassi­scher Rechner berech­net Parame­ter­ak­tua­li­sie­run­gen, während ein Quanten­pro­zes­sor die Auswer­tung der Quanten­schalt­kreise übernimmt, in der Regel in Form von Erwar­tungs­wer­ten. QNNs können für Klassifikations‑ und Regres­si­ons­auf­ga­ben, Merkmalsextrak­tion (Feature Learning) sowie für physik­in­spi­rierte Model­lie­rungs­an­sätze einge­setzt werden. Zentrale Frage­stel­lun­gen betref­fen dabei die Kodie­rung der Daten in Quanten­zu­stände, das Schal­tungs­de­sign im Hinblick auf Ausdrucks­stärke und Trainier­bar­keit sowie den Einfluss von Hardware‑Rauschen und endli­cher Stich­pro­ben­zahl auf Training und Generalisierungsfähigkeit.

Quantum neural networks (QNNs) are machine learning models which use trainable parame­ter­i­zed quantum circuits. Like classi­cal neural networks, they map inputs to outputs by adjus­ting parame­ters to minimize a loss function. In practice, QNNs are often hybrid: a classi­cal compu­ter propo­ses parame­ter updates, while a quantum proces­sor evalua­tes circuit outputs (usually expec­ta­tion values). QNNs can be used for classi­fi­ca­tion and regres­sion, feature learning, and physics-inspi­red modeling. Key conside­ra­ti­ons include how data are encoded into quantum states, circuit design for expres­si­vity and traina­bi­lity, and how hardware noise and finite sampling affect training and generalization.