Quantenmethoden bringen frischen Wind ins maschinelle Lernen
Perspektivisch
Quantencomputing und Machine Learning halten viele für das Traumpaar: Beide gelten als Techniken der Zukunft, und für wenige andere IT-Gebiete interessieren sich Forschung und Entwicklung derzeit mehr.
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.