Fraunhofer-Institut für Angewandte Festkörperphysik IAF
Quantenalgorithmen für das Maschinelle Lernen gehören zu den vielversprechendsten Anwendungen des Quantencomputings. Für das Erreichen eines Quantenvorteils benötigen diese Algorithmen jedoch viele fehlerkorrigierte Qubits. Auf den heutzutage zur Verfügung stehenden verrauschten Quantenprozessoren (NISQ-Prozessoren) ist die Realisierung von Fehlerkorrekturverfahren jedoch technisch noch nicht möglich, was die Erforschung von sogenannten NISQ-Algorithmen für das Quanten-maschinelle Lernen nötig macht.
Mit dem Ziel, praktische Anwendungen des maschinellen Lernens mit Quantencomputing zu ermöglichen und die Industrie bei diesem Schritt zu unterstützen, werden in dem Projekt Protokolle, Bibliotheken und Algorithmen für verschiedene Quantencomputing-Plattformen entwickelt und aktuelle wissenschaftliche Erkenntnisse des Quantencomputings mit denen des maschinellen Lernens kombiniert. Die Innovation liegt in der Symbiose von Hardware und Software, die dazu beiträgt, maschinelles Lernen zur wissenschaftlichen Optimierung zu nutzen.
