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.

Unsuper­vi­sed Quantum Machine Learning (QML) is a field that explo­res how quantum compu­ters can find hidden patterns in data without being told what to look for. In “super­vi­sed” learning, a compu­ter is trained with labeled examp­les (like “this is a cat”). In “unsuper­vi­sed” learning, the machine looks at raw data and finds groups or anoma­lies on its own. By using quantum proper­ties like super­po­si­tion (being in multi­ple states at once), unsuper­vi­sed QML algorithms can theore­ti­cally sort through massive amounts of complex data more effec­tively than today’s fastest super­com­pu­ters. This makes it a promi­sing tool for disco­ve­ring new chemi­cals, detec­ting credit card fraud, or organi­zing large finan­cial datasets.