Quantencomputing: Was Quantenmethoden fürs machinelle Lernen bringen

Quantencomputing und Machine Learning gelten als Techniken der Zukunft. Doch noch gibt es jedoch keinen Beweis, dass sie klassischen Verfahren überlegen sind.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 2 Kommentare lesen
Lesezeit: 12 Min.
Von
  • Christina Reißel
Inhaltsverzeichnis

Klassisches maschinelles Lernen, insbesondere neuronale Netze, hat vor allem in Bildverarbeitung und Big-Data-Analyse einen enormen Aufschwung erlebt. Fast jeder hat von den Leistungen neuronaler Netze bei der Gesichtserkennung gehört oder künstlich erzeugte und doch realistisch wirkende Bilder von Personen gesehen. Modulare Softwarebibliotheken wie Keras und PyTorch erlauben es, in kürzester Zeit neuronale Netze zu konzipieren und zu trainieren.

Doch welche Vorteile können Quantencomputer im Machine Learning gegenüber heutiger Hardware wie GPUs bringen? Um potenzielle Verbesserungen zu erkennen, seien zunächst die Bausteine des klassischen maschinellen Lernens beleuchtet. Im Mittelpunkt steht immer die Konstruktion eines Modells und das Optimieren seiner freien Parameter. Dazu dient ein Trainingsdatensatz, der neben den Daten selbst die Lösung der Aufgabe enthält, zum Beispiel die richtige Zuordnung von Bildern. Anhand dieser Informationen entsteht ein Modell in einer Feedbackschleife: Nach jedem Durchlauf passt man das Modell so an, dass es bessere Ergebnisse liefert. Im besten Fall kann es anschließend die Aufgabe mit neuen Daten lösen.

Hierfür benötigt man ein Kriterium, das entscheidet, wann das Modell optimal ist – die Loss Function oder Cost Function. Beim Erkennen von Menschen auf Bildern könnte es lauten: Anzahl der mit den aktuellen Parametern im Trainingsdatensatz korrekt erkannten Personen. Im Training ändert man die Parameter so lange, bis das Modell möglichst viele Menschen erkennt.