Jüngste Fortschritte im Quantencomputing wecken die Hoffnung, algorithmische Lösungen für Probleme zu finden, die bislang für klassische digitale Computer rechentechnisch unerreichbar waren. Die Verfügbarkeit von realen Quantenprozessoren rückt das Quantencomputing nun aus der rein theoretischen Ecke näher an praxisrelevante Probleme, aber auch näher an reale Einschränkungen und Vorbehalte. Denn nicht alle Quantenalgorithmen, die in den letzten Jahrzehnten entworfen wurden, sind tatsächlich auf echten Quantenprozessoren lauffähig.
Dafür gibt es drei Gründe: Erstens sind einige Quantenalgorithmen auf Bausteine angewiesen, wie beispielsweise große Quanten-Random-Access-Speicher, die mit aktueller Quantenhardware nicht realisiert werden können. Daher ist es unwahrscheinlich, dass diese Algorithmen in Geräten implementiert werden können, die in naher Zukunft verfügbar sind. Zweitens sind die Fähigkeiten der heute erhältlichen Quantengeräte durch die Anzahl der verfügbaren Qubits und die Schaltungstiefe begrenzt. Drittens zeigt die verfügbare Hardware dem Programmierer nur verrauschte Operationen an: Zusätzlich zu der inhärenten probabilistischen Natur der Quantenberechnung führt die Interaktion zwischen der Quantenhardware selbst und ihrer Umgebung zu weiterem Rauschen in jeder Quantenberechnung.

Im ML2R-Forschungsteam zum Maschinellen Lernen auf Quantencomputern arbeiten wir an Ansätzen zum Quantum ML, die darauf abzielen, die oben erwähnten Einschränkungen und Probleme zu umgehen. Das heißt, unsere Algorithmen und Lösungen laufen auf modernsten realen Quantenprozessoren, zeichnen sich durch eine sehr ressourceneffiziente Nutzung von Qubits und Schaltungstiefe aus und liefern praktische Ergebnisse in Gegenwart von Rauschen. Derzeit konzentriert sich unsere Forschung auf die folgenden Themen:

• Variationsbasierte und analytische Ansätze für das Erlernen von Quantenschaltungen:
  Wir haben einen Algorithmus vorgeschlagen, der die Probleme des Variational Quantum Computings verringert. Unser Ansatz minimiert die Anzahl der Gatter in der Schaltung, indem wir über eine evolutionäre Strategie eine Architektur finden, die dem gestellten Problem entspricht. Im Rahmen eines iterativen Prozesses erstellen wir einen Satz von Variationen und führen anschließend einen Wettbewerb durch, um die besten Kandidaten als Basis für die nächste Generation zu bestimmen. Wir haben unseren Algorithmus an einer Reihe von Hamilton-Funktionen getestet, sowohl als Simulationen als auch auf echter Quantenhardware. Für alle gestellten Probleme findet der Algorithmus zuverlässig Schaltungen, die sich gut für die Optimierung eignen, wobei die Genauigkeit bei Simulationen etwas höher ist als auf realen Quantengeräten.
• Verbesserung klassischer Lernalgorithmen durch Quantencomputing:
  Jüngste Fortschritte im praktischen Quantencomputing haben eine Vielzahl von cloudbasierten Quantencomputer-Plattformen hervorgebracht, die es Forschenden ermöglichen, ihre Algorithmen auf noisy intermediate-scale quantum (NISQ) Geräten zu evaluieren. Eine gemeinsame Eigenschaft von Quantencomputern ist, dass sie Vorgänge aufweisen, die von echtem Zufall geprägt sind, im Gegensatz zum Pseudo-Zufall, der von klassischen Systemen generiert wird. Die Untersuchung der Auswirkungen solcher echter Quantenzufälligkeit im Kontext des Maschinellen Lernens ist reizvoll, und jüngste Ergebnisse deuten darauf hin, dass durch die Verwendung von Quantenzufallszahlen tatsächlich Vorteile erzielt werden können. Um mehr Licht in dieses Thema zu bringen, untersuchen wir empirisch die Auswirkungen von hardwaregebundenen Quantenzufallszahlen auf die Initialisierung von Gewichten künstlicher neuronaler Netze in numerischen Experimenten. Die Quantenzufallszahlen für unsere Experimente werden von realer Quantenhardware erzeugt.
• Adiabatische Quantenalgorithmen für kombinatorische Data-Science-Probleme:
  Ein Teilziel dieser Richtung ist, die enge Verbindung zwischen Hopfield-Netzen und adiabatischen Quantencomputern zu verdeutlichen. Indem wir uns auf ihre Verwendung bei der Problemlösung konzentrieren, zeigen wir auf, dass die von den Hopfield-Netzen minimierten Energiefunktionen im Wesentlichen identisch mit denen sind, die von adiabatischen Quantencomputern minimiert werden. Um dies praktisch zu veranschaulichen, betrachten wir ein einfaches Lehrbuchproblem, nämlich das K-Rooks-Problem, und diskutieren, wie man es für die Lösung durch ein Hopfield-Netz oder adiabatische Quantencomputer aufbereitet. Außerdem leiten wir Problemformulierungen verschiedener Clustering-Probleme ab und zeigen, dass diese Probleme für Quanten-Supremacy geeignet sind.
• Quanteneffiziente Algorithmen für generatives Maschinelles Lernen:
  Wir erforschen, wie Quantengatterschaltungen in universelle Dichteschätzer umgewandelt werden können, wobei die statistischen Garantien der klassischen Methoden erhalten bleiben. Vorläufige Ergebnisse deuten darauf hin, dass es eine injektive Abbildung gibt, die eine verlustfreie Transformation einer großen Klasse von Wahrscheinlichkeitsverteilungen in die Menge der Quantengatterschaltungen garantiert.