Definition

Quantum Machine Learning (QML)

Stephen J. Bigelow
von

Quantum Machine Learning (QML), auch als quantenverbessertes maschinelles Lernen (ML) bezeichnet, verbindet die Rechenleistung von Quantensystemen mit den steigenden Rechenanforderungen sich weiterentwickelnder Modelle des maschinellen Lernens.

ML-Modelle erfordern umfangreiches Training, damit das Modell den Kontext erkennen und Muster in Daten verstehen kann. Das Training wird außerdem regelmäßig aktualisiert, um das Modell zu verfeinern und an sich ändernde Datenmuster anzupassen. Der Trainingsprozess erfordert in der Regel enorme Rechenleistung, um die komplexen mathematischen Beziehungen zu verarbeiten, die Daten häufig aufweisen. Folglich werden für das ML-Training hochentwickelte Computer oder vollwertige Computercluster benötigt, um Berechnungen durchzuführen und das Training mit großen und komplexen Datensätzen zu absolvieren. Solche Bemühungen sind zeitaufwendig und der Aufwand an Rechenressourcen und Energie kann erheblich sein.

Quantencomputer basieren auf Quantenbits oder Qubits, die Daten speichern können. Im Gegensatz zu digitalen Bits, die entweder logisch 1 oder logisch 0 sind, verwenden Qubits die Quantenprinzipien der Superposition und Verschränkung, um eine 1, eine 0 oder einen beliebigen Zustand zwischen diesen beiden zu repräsentieren. Dadurch können Qubits weitaus komplexere Informationen speichern, die oft als Vektor dargestellt werden, der entlang einer 3D-Kugel nach außen strahlt. Diese Quanteninformationen werden durch Quantenlogikgatter verarbeitet, die zur Manipulation von Qubits entwickelt wurden. Die Gatter sind in komplexen Anordnungen angeordnet, um Quantenalgorithmen zu lösen. Die Leistungsfähigkeit eines Quantencomputers liegt in seiner Fähigkeit, diese komplexen Quantenalgorithmen in einem Bruchteil der Zeit zu lösen, die herkömmliche digitale Computer benötigen.

Die Grundlage von Quantum Machine Learning ist die Anwendung von Quantencomputern zur Durchführung oder Ergänzung der Analyse riesiger Datensätze, die für maschinelles Lernen verwendet werden. Da Quantencomputer Rechenaufgaben viel schneller ausführen können, lassen sich ihre Ergebnisse für ein schnelleres Training von ML-Modellen nutzen. Dies bringt drei potenzielle Vorteile für maschinelles Lernen mit sich:

  • Weniger Zeit. Das Modelltraining kann in einem Bruchteil der Zeit durchgeführt werden, sodass die ML-Modelle schneller in Betrieb genommen oder auf den Markt gebracht werden können.
  • Besseres Training. Das Modelltraining kann wesentlich umfangreicher und umfassender sein, was zu besser trainierten Modellen führt, die mehr Funktionen unterstützen und den Benutzern differenziertere Ergebnisse liefern.
  • Innovative Modelle. QML kann zur Erforschung und Erprobung neuer ML-Algorithmen verwendet werden, sodass Entwickler leistungsstarke neue Algorithmen für maschinelles Lernen erstellen können, die speziell auf Quantenprinzipien basieren.

Obwohl Quantum Machine Learning für die Nutzung von Quantencomputern für ML-Modelltrainingsaufgaben konzipiert ist, schließt die Verwendung von Quantencomputern gegenüber herkömmlichen digitalen Computern diese nicht gegenseitig aus. Quantencomputer können zusammen mit herkömmlichen Computern zur Unterstützung spezieller Rechenaufgaben eingesetzt werden, sodass herkömmliche Computer weniger anspruchsvolle Berechnungen verarbeiten können, während sie gemeinsam den ML-Modelltrainingsprozess abwickeln.

Machine-Learning-Prozess in fünf Schritten
Abbildung 1: Wie ein Machine-Learning-Modell entsteht in fünf Schritten.

Wie funktioniert Quantum Machine Learning?

Quantum Machine Learning nutzt Prinzipien der Quantenphysik wie Superposition und Verschränkung, um komplexe Berechnungen an Quantendatensätzen durchzuführen. Das Ziel besteht darin, diese Berechnungen in kürzerer Zeit und mit weniger Energie durchzuführen und tiefere Muster und Zusammenhänge in den Daten aufzudecken, um leistungsfähigere ML-Modelle zu erstellen. QML ist am effektivsten bei komplexen Problemen und riesigen Datensätzen, die klassische Computersysteme nicht effektiv darstellen oder verarbeiten können.

  • Daten werden in Qubits kodiert und durch die Ausrichtung der subatomaren Teilchen des Qubits – seinen Spin – dargestellt. Klassische Daten können in Qubits kodiert werden, sodass sie vom Quantencomputer verarbeitet werden können.
  • Die Daten werden durch einen Quantenalgorithmus verarbeitet. Es gibt zahlreiche Algorithmen, darunter Quanten-Support-Vektor-Maschinen (QSVMs) und Quanten-Neuronale-Netze (QNNs). Die Algorithmen werden auf einem Quantencomputer implementiert und führen komplexe Berechnungen – wie Datenklassifizierung oder Clustering – auf den Quantendaten durch.
  • Quantenalgorithmen werden mithilfe von Quantenlogikgattern implementiert, um einen Quantenschaltkreis aufzubauen, ähnlich wie digitale Logikgatter zusammengesetzt werden, um große und komplexe digitale Logikschaltkreise zu erstellen. Diese Quantengatter verarbeiten und manipulieren die Qubits. Der Quantenalgorithmus und der entsprechende Quantenschaltkreis bilden das Quanten-ML-Modell.
  • Das Quanten-ML-Modell, das durch den Quantenalgorithmus und den Quantenschaltkreis verkörpert wird, wird trainiert, um optimale Parameter zu finden, die im Allgemeinen die idealen Ergebnisse liefern und die Funktionsweise des Modells verbessern.

Dieser Prozess dupliziert im Wesentlichen die Ideen des maschinellen Lernens mit klassischen Computern und Algorithmen. Während klassische Elemente durch Quantencomputer und Algorithmen ersetzt oder verbessert werden, sind die zugrunde liegenden Ziele identisch.

Arten des Quantum Machine Learnings

Quantum Machine Learning kann auf unterschiedliche Weise implementiert werden, die in erster Linie davon abhängt, wie Quantencomputer verwendet und in den ML-Prozess integriert werden. Derzeit werden sechs allgemeine Ansätze untersucht, bei denen klassische Daten und Computer mit Quantendaten und -computern kombiniert werden:

  • Klassische Datensätze, die auf klassischen Computern verarbeitet werden. Hierbei handelt es sich um traditionelles maschinelles Lernen, bei dem keine Quantencomputer oder -algorithmen zum Einsatz kommen.
  • Quantendatensätze, die auf klassischen Computern verarbeitet werden. Bei diesem Ansatz werden klassische Machine-Learning-Algorithmen verwendet, um aus den Ergebnissen von Quantenzuständen zu lernen. Ein Quantenexperiment kann beispielsweise Daten über das Experiment liefern, die dann als Datensatz ausgedrückt werden können, den ein klassischer Computer und ein ML-Algorithmus verarbeiten und zum Trainieren eines ML-Modells verwenden können.
  • Klassische Datensätze, die auf Quantencomputern verarbeitet werden. Ein Unternehmen kann einen Quantencomputer einsetzen, um seine aktuellen Daten zu verarbeiten und so einen Trainingsprozess zu beschleunigen, zum Beispiel das Training komplexerer Modelle, oder um neue oder stärkere Muster in den aktuellen Daten zu finden – Erkenntnisse, die mit klassischen Computersystemen möglicherweise nicht gewonnen werden könnten. Gängige Beispiele sind QSVMs und QNNs.
  • Quantendatensätze, die auf Quantencomputern verarbeitet werden. Dies ist der umfassendste und speziellste Ansatz für QML, bei dem Quantendaten direkt auf Quantencomputern verarbeitet und die Ergebnisse direkt zum Trainieren von ML-Modellen verwendet werden. Dieser Ansatz befindet sich ebenfalls noch in einem frühen Stadium, dürfte sich aber mit der Standardisierung, zunehmenden Zuverlässigkeit und Verfügbarkeit von Quantencomputern weiterentwickeln.
  • Quanteninspiriertes maschinelles Lernen. Der Schwerpunkt liegt hier nicht auf der eigentlichen Berechnung, sondern auf der Entwicklung neuer und innovativer Machine-Learning-Algorithmen, die den Ansatz von Quantencomputern nachahmen sollen. Beispielsweise können quanteninspirierte Algorithmen entwickelt werden, um die Klassifizierung von Bildern oder Daten oder die Optimierung von Ressourcen zu untersuchen. Obwohl diese Algorithmen in der Regel auf klassischen Computern laufen, liegt der Vorteil in der Konzeption und Entwicklung der Modelle.
  • Hybrides quantenbasiertes maschinelles Lernen. Dieser Ansatz nutzt sowohl Quanten- als auch klassische Computer, sodass klassische Machine Learning Tools von Quantensystemen profitieren können. Die Herausforderung hierbei ist die effektive Schnittstelle zwischen Quanten- und klassischer Welt sowie der Datenaustausch.

Spezielles quantenbasiertes maschinelles Lernen basiert auf Quantenalgorithmen. Für QML stehen acht wichtige Quantenalgorithmustypen zur Verfügung, darunter die folgenden:

  • Quantum Annealing nutzt Superposition und Verschränkung, um Optimierungsprobleme zu lösen.
  • Quantum Error Correction nutzt Machine-Learning-Algorithmen, um Quantenfehlerkorrekturaufgaben zu unterstützen.
  • QNN nutzt Quantencomputing, um Berechnungen innerhalb neuronaler Netze durchzuführen.
  • Die Quantenhauptkomponentenanalyse nutzt Quantenalgorithmen, um die Dimensionalität der Daten zu reduzieren und ihre Darstellung zu vereinfachen.
  • Quantenbestärkendes Lernen nutzt Quantenalgorithmen, um Lernaufgaben zu verstärken.
  • QSVM nutzt Quantenalgorithmen für Aufgaben wie die Datenklassifizierung.
  • Quantenoptimierung nutzt Quantenalgorithmen, um maschinelle Lernmodelle zu verbessern und zu optimieren.
  • Variational Quantum Circuits verwenden eine Kategorie von QML-Methoden, um Algorithmen auf aktuellen Quantencomputersystemen zu erstellen.

Vorteile und Herausforderungen des Quanten-Maschinellen Lernens

Unternehmen, die Quantum Machine Learning einsetzen möchten, müssen verschiedene potenzielle Vorteile und Einschränkungen sorgfältig abwägen. Zu den allgemeinen Vorteilen gehören:

  • Schnelleres maschinelles Lernen. Quantencomputer, auf denen Quantenalgorithmen laufen, können Daten mit enormen Datenmengen und komplexen Berechnungen deutlich schneller verarbeiten. Tatsächlich kann QML helfen, wenn die Verarbeitungs- und Rechenanforderungen einer ML-Aufgabe die praktischen Möglichkeiten herkömmlicher Rechenressourcen übersteigen.
  • Höhere Genauigkeit. Quantencomputing kann Quantenverhalten wie Superposition und Verschränkung nutzen, um maschinelle Lernaufgaben wie Datenregression, Clustering und Klassifizierung zu verbessern. Dadurch lassen sich Muster in Daten genauer und effizienter identifizieren, was zu besseren Ergebnissen wie einer verbesserten Mustererkennung führt.
  • Tiefgreifendere Optimierungen. Die Stärke des Quantencomputings liegt in seiner Fähigkeit, viele potenzielle Wege gleichzeitig zu berücksichtigen. QML findet mehr Korrelationen in Datensätzen, indem es weitaus mehr Permutationen untersucht. Dadurch können Quantenalgorithmen Optimierungsaufgaben – wie beispielsweise eine bessere Logistik – weitaus effektiver als herkömmliche ML-Algorithmen verfolgen, was zu einer besseren Optimierung der Arbeitsabläufe und der Ressourcennutzung führt.
  • Breitere Anwendungsfälle für ML. Quantencomputing und QML können Forschungs- und Berechnungsergebnisse für Probleme unterstützen, die für herkömmliche Computer nicht praktikabel oder unlösbar sind, wie beispielsweise Quantenforschung, Biochemie, Klimamodellierung und Hochenergiephysik. Dies führt zu verbesserten Simulations- und Modellierungsaufgaben.

Trotz des Potenzials für erhebliche Vorteile steht das Quantum Machine Learning vor ernsthaften Herausforderungen, die seine Praktikabilität für viele Unternehmen einschränken können. Zu den aktuellen Herausforderungen gehören die folgenden:

  • Quantencomputerhardware. Quantum Machine Learning erfordert einen Quantencomputer, aber Quantencomputer befinden sich noch in einem frühen Entwicklungsstadium und es fehlen ihnen viele Architektur- und Schnittstellenstandards, die bei herkömmlichen Computern üblich sind. Sie sind mit Problemen wie begrenzten Qubits, Quantenfehlern und Skalierbarkeit konfrontiert. Quantencomputerhardware muss zuverlässiger und standardisierter werden, um QML in großem Maßstab attraktiv zu machen.
  • Algorithmusbeschränkungen. Maschinelles Lernen erfordert effektive und effiziente Modelle und Algorithmen, aber die Entwicklung von Quantenalgorithmen steckt noch in den Kinderschuhen. Ein leistungsfähiges Design von Quantenalgorithmen ist entscheidend, um herkömmliche Computeralgorithmen zu übertreffen. Dies erfordert jedoch den Zugang zu gut ausgebauten und zuverlässigen Quantencomputern sowie klar definierten Standards für die Quantenprogrammierung – allesamt Bereiche, in denen noch weitere Fortschritte notwendig sind.
  • Begrenzte Daten. Maschinelles Lernen ist grundsätzlich mit Problemen hinsichtlich der Datenqualität und -verfügbarkeit konfrontiert. Daten müssen verfügbar, genau, vollständig und frei von Verzerrungen sein. Dies ist für die aktuellen ML-Bemühungen bereits eine Herausforderung, kann jedoch zu einer erheblichen Einschränkung werden, wenn QML weitaus mehr Daten verarbeiten kann, da sich Datenqualitätsprobleme in der Quanteninformatik und im QML vervielfachen.
  • Wenige Integrationen. Quantencomputer werden selten allein eingesetzt. QML kann neben herkömmlichen Machine-Learning-Trainingsverfahren existieren oder diese verbessern. Es gibt jedoch nur wenige standardisierte Integrationsmethoden, die sich für die Verbindung von Quantencomputern und QML-Aufgaben mit herkömmlichen Computernetzwerken und -infrastrukturen eignen. Bessere Integrationen sind für einen reibungslosen Datenaustausch zwischen Quanten- und herkömmlichen Computersystemen unerlässlich.

Anwendungsfälle für Quantum Machine Learning

Quantum Machine Learning bietet drei große Anwendungsbereiche:

  • Beschleunigung des Trainings. Quantencomputer können Quantenalgorithmen ausführen, die riesige Datensätze verarbeiten und komplexe mathematische Berechnungen viel schneller durchführen können als herkömmliche Computer mit gängigen Machine-Learning-Algorithmen.
  • Tiefere Analysen. Dank der Geschwindigkeit, mit der Quantencomputer Quanteninformationen verarbeiten können, sind QML-Techniken in der Lage, enorme Mengen komplexer und unstrukturierter Daten zu verarbeiten, um Muster zu erkennen oder Zusammenhänge aufzudecken, die für herkömmliche Computer und Algorithmen zu schwierig sind.
  • Bessere Algorithmen. Die Fähigkeiten von Quantencomputern ermöglichen die Entwicklung leistungsstarker und umfassender Machine-Learning-Algorithmen. Dies fördert Innovationen und verbessert die Wettbewerbsfähigkeit von Machine-Learning-Modellen und KI-Plattformen, da Entwickler bessere Algorithmen erstellen können, die genauere, differenziertere und aussagekräftigere Ergebnisse liefern.

Diese drei allgemeinen Anwendungsbereiche von QML lassen sich weiter in spezifischere Beispiele für verschiedene Branchen unterteilen, darunter die folgenden:

  • Umwelt. QML kann Wettervorhersagen, Umweltmodellierung und Katastrophenvorhersagen präziser und differenzierter gestalten und so zu einer besseren Katastrophenplanung und -reaktion beitragen.
  • Finanzmodellierung. QML kann die Detailgenauigkeit und Präzision von Finanzmodellierungen, Risikobewertungen und der Aufdeckung von Finanzbetrug verbessern.
  • Behörden. QML kann Behördenleistungen wie die Modellierung des öffentlichen Nahverkehrs und des Gesundheitswesens verbessern.
  • Logistik. QML kann tiefgreifende Einblicke in Muster liefern, die zur Optimierung der Logistik, beispielsweise des Transportwesens und der Bestandsverwaltung, genutzt werden können.
  • Fertigung. QML kann die Fertigungstätigkeit unterstützen, indem es Produktionspläne optimiert, die Beschaffung und Zuweisung von Ressourcen plant und die Qualitätskontrolle durch verbesserte Überwachung und Fehlererkennung verbessert.
  • Pharmazeutische Entwicklung. QML kann komplexe Verhaltensweisen wie Molekülverhalten und -wechselwirkungen simulieren, was bei der Arzneimittelforschung und -entwicklung hilfreich sein kann.
  • Einzelhandel. QML kann einzelhandelsbezogene Aktivitäten wie Bestandsmanagement, Nachfrageprognosen und intelligente Agenten für Kaufempfehlungssysteme verbessern.
  • Sicherheit. QML kann die Datensicherheit verbessern, indem potenzielle Bedrohungen und böswillige Aktivitäten identifiziert und Quantencomputer für leistungsstarke Kryptografie und sichere Datenkommunikation eingesetzt werden.
  • Versorgungsunternehmen. QML kann Energienetze optimieren, indem es den Energiebedarf auf der Grundlage von Faktoren wie dem Wetter vorhersagt und dann die Energiespeicherung und -verteilung entsprechend plant.
Diese Definition wurde zuletzt im Mai 2025 aktualisiert

Erfahren Sie mehr über Künstliche Intelligenz (KI) und Machine Learning (ML)