Durch maschinelles Lernen und k\u00fcnstliche Intelligenz (KI) k\u00f6nnen komplexe Aufgaben in kurzer Zeit gel\u00f6st werden. Mit diesen Technologien lassen sich beispielsweise Muster in gro\u00dfen, unstrukturierten Datenmengen erfassen. Aber auch Texte automatisiert \u00fcbersetzen oder Handschriften erkennen. Die lernf\u00e4higen Systeme verarbeiten gro\u00dfe Datenmengen: Je h\u00f6her die Datenmenge, desto zuverl\u00e4ssiger das Ergebnis.<\/p>\n
Um weitere Fortschritte zu erzielen, braucht es mehr Rechenleistung. Forscher erhoffen sich dies durch Quantencomputer. Doch bevor Quantencomputer f\u00fcr maschinelles Lernen genutzt werden k\u00f6nnen, m\u00fcssen erst quantenmechanische Versionen neuronaler Netze entwickelt werden. Jetzt hat ein Team am Institut f\u00fcr theoretische Physik der Leibniz Universit\u00e4t Hannover<\/strong> eine vielversprechende Struktur f\u00fcr ein solches Netz vorgestellt. Das quantenneuronale Netz ist robust, flexibel und lernf\u00e4hig.<\/p>\n Bestehende quantenneuronale Netze k\u00f6nnen h\u00e4ufig nur ganz bestimmte Quantenprobleme bearbeiten. Die Struktur, die die Forscher in Hannover entwickelt haben, ist dagegen universell einsetzbar. Damit ist sie in der Lage beliebige Rechnungen auszuf\u00fchren. Zudem ist sie effizient lernf\u00e4hig und tolerant gegen\u00fcber internen St\u00f6rquellen, die Daten verf\u00e4lschen k\u00f6nnen.<\/p>\n Bei einem Leistungstext zeigte sich, dass es bereits mit wenigen Daten zu einer optimalen L\u00f6sung kommt. Au\u00dferdem kann das System effizient relevante Daten von irrelevanten unterscheiden. Eine wichtige Eigenschaft, weil Experimente h\u00e4ufig auch so genannten Datenm\u00fcll erzeugen. Das neue quantenneuronale Netz ist selbst dann noch lernf\u00e4hig, wenn mehr als die H\u00e4lfte der Daten nicht zum Muster geh\u00f6ren.<\/p>\n Auch interessant: <\/strong>Physiker entwickelten eine Schnittstelle f\u00fcr Quantencomputer<\/a><\/p>\n Das quantenneuronale Netz ist aus mehreren Ebenen aufgebaut. Dabei besteht jede Ebene aus mehreren Quantenneuronen, die jeweils von einzelnen Qubits gebildet werden. Qubits sind ver\u00e4nderbare Quantenzust\u00e4nde und entsprechen den Bits eines klassischen Computers.<\/p>\n Die erste Ebene dient der Eingabe von Quantendaten \u2013 indem die Qubits entsprechend manipuliert werden. F\u00fcr die Ergebnisausgabe sorgt die letzte Ebene. Die Zahl der Zwischenebenen ist variabel. So k\u00f6nnen je nach Bedarf Netze geeigneter Gr\u00f6\u00dfe erzeugt werden: Quantenneuronale Netze mit wenigen Zwischenebenen arbeiten schneller, tiefere Netzwerke mit vielen Ebenen sind komplexeren Aufgaben gewachsen.<\/p>\n Bis zur m\u00f6glichen Anwendung des quantenneuronalen Netzes ist es noch ein weiter Weg. Aber wenn es soweit ist, k\u00f6nnte das quantenmaschinelle Lernen dort relevante Quantenzust\u00e4nde identifizieren, wo Experimente zahllose Quantenzust\u00e4nde erzeugen. Das ist zum Beispiel in der Gravitationswellenforschung der Fall.<\/p>\n Die Arbeit entstand im Rahmen des Sonderforschungsbereichs SFB 1227 DQ-mat<\/em><\/a> der Deutschen Forschungsgemeinschaft (DFG<\/a>), der sich mit der Kontrolle von komplexen quantenmechanischen Systemen besch\u00e4ftigt. Im Sonderforschungsbereich kooperieren experimentelle und theoretische Physiker der Leibniz Universit\u00e4t Hannover<\/em><\/a>, des ZARM Bremen<\/em><\/a> und der Physikalisch Technischen Bundeslehranstalt<\/em>\u00a0 PTB Braunschweig<\/em><\/a>.<\/p>\n Die Ergebnisse wurden im Fachmagazin Nature Communications<\/em><\/a> ver\u00f6ffentlicht.<\/p>\n Originalpublikation: Training deep quantum neural networks Auch interessant:<\/strong><\/p>\n Prototyp des kommerziell nutzbaren Quantencomputer soll 2022 stehen<\/a><\/p>\n \n","protected":false},"excerpt":{"rendered":" Durch maschinelles Lernen und k\u00fcnstliche Intelligenz (KI) k\u00f6nnen komplexe Aufgaben in kurzer Zeit gel\u00f6st werden. Mit diesen Technologien lassen sich beispielsweise Muster in gro\u00dfen, unstrukturierten Datenmengen erfassen. Aber auch Texte automatisiert \u00fcbersetzen oder Handschriften erkennen. Die lernf\u00e4higen Systeme verarbeiten gro\u00dfe Datenmengen: Je h\u00f6her die Datenmenge, desto zuverl\u00e4ssiger das Ergebnis. Quantenneuronale Netze Um weitere Fortschritte zu […]<\/p>\n","protected":false},"author":1688,"featured_media":520120,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"advgb_blocks_editor_width":"","advgb_blocks_columns_visual_guide":"","footnotes":""},"categories":[36843],"tags":[30276,29732,47762,27865,47765],"location":[24328],"article_type":[],"serie":[],"archives":[],"internal_archives":[],"reboot-archive":[],"class_list":["post-210457","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-digital-de-de","tag-ki-de","tag-kuenstliche-intelligenz-de","tag-maschinelles-lernen-de","tag-quantencomputer-de","tag-quantenneuronale-netze-de","location-deutschland"],"blocksy_meta":[],"acf":{"subtitle":"","text_display_homepage":false},"author_meta":{"display_name":"Hildegard Suntinger","author_link":"https:\/\/ioplus.nl\/archive\/author\/hildegard-suntinger\/"},"featured_img":"https:\/\/ioplus.nl\/archive\/wp-content\/uploads\/2020\/02\/max-kleinen-lMiYuow_KZE-unsplash-scaled-300x200.jpg","coauthors":[],"tax_additional":{"categories":{"linked":["Digital<\/a>"],"unlinked":["Digital<\/span>"]},"tags":{"linked":["KI<\/a>","k\u00fcnstliche intelligenz<\/a>","maschinelles Lernen<\/a>","Quantencomputer<\/a>","quantenneuronale Netze<\/a>"],"unlinked":["KI<\/span>","k\u00fcnstliche intelligenz<\/span>","maschinelles Lernen<\/span>","Quantencomputer<\/span>","quantenneuronale Netze<\/span>"]}},"comment_count":"0","relative_dates":{"created":"Posted 6 years ago","modified":"Updated 6 years ago"},"absolute_dates":{"created":"Posted on February 25, 2020","modified":"Updated on February 25, 2020"},"absolute_dates_time":{"created":"Posted on February 25, 2020 11:00 am","modified":"Updated on February 25, 2020 11:00 am"},"featured_img_caption":"","series_order":"","_links":{"self":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts\/210457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/users\/1688"}],"replies":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/comments?post=210457"}],"version-history":[{"count":0,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/posts\/210457\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/media\/520120"}],"wp:attachment":[{"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/media?parent=210457"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/categories?post=210457"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/tags?post=210457"},{"taxonomy":"location","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/location?post=210457"},{"taxonomy":"article_type","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/article_type?post=210457"},{"taxonomy":"serie","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/serie?post=210457"},{"taxonomy":"archives","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/archives?post=210457"},{"taxonomy":"internal_archives","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/internal_archives?post=210457"},{"taxonomy":"reboot-archive","embeddable":true,"href":"https:\/\/ioplus.nl\/archive\/wp-json\/wp\/v2\/reboot-archive?post=210457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Robust, flexibel und lernf\u00e4hig<\/h2>\n
Struktureller Aufbau<\/h2>\n
Relevante Quantenzust\u00e4nde identifizieren<\/h2>\n
Zum Projekt:<\/h3>\n
\n<\/strong><\/p>\n
\nKerstin Beer, Dmytro Bondarenko, Terry Farrelly, Tobias J. Osborne, Robert Salzmann, Daniel Scheiermann & Ramona Wolf
\nNature Communications 11: 808 (2020)
\nDOI: https:\/\/doi.org\/10.1038\/s41467-020-14454-2<\/a><\/p>\n