Die Macht von Quantum Machine Learning

Wie können wir Strahlentherapien so gestalten, dass sie das umliegende gesunde Gewebe und Körperteile weniger schädigen?
Wie können wir Menschen rechtzeitig vor gefährlichen Unwettern warnen?
Und wie können wir autonome Fahrzeuge erfolgreich vor Hackerangriffen schützen?

Dies sind alles Themen, die mit Machine Learning (ML) angegangen werden können, genauer gesagt, mit ML-gestützten Simulationen, Vorhersagen und Computer Vision. Die Herausforderungen sind jedoch so komplex, dass wir zu ihrer Lösung leistungsstarke Rechenressourcen benötigen, die unsere Machine-Learning-Methoden unterstützen können. In diesem Zusammenhang ist Quantum Machine Learning (QML) ein vielversprechender Ansatz.

Aber was genau ist Quantum Machine Learning? Wie funktioniert es? Und warum solltest du dich jetzt dafür interessieren? Das erfährst du in diesem Artikel.

.

Was sind Quantencomputer? Und was ist Quantum Machine Learning?

Bevor wir über Quantum Machine Learning sprechen können, müssen wir zunächst klären, was Quantencomputer sind. Einer der wichtigsten Unterschiede zwischen Quantencomputern und "klassischen Computern", wie wir sie nennen werden, besteht darin, dass Quantencomputer mit Qubits anstelle von Bits arbeiten (siehe Abbildung 1). Während ein Bit nur 2 Zustände repräsentieren kann (entweder 0 oder 1), kann ein Qubit 0, 1 oder jede gewichtete Kombination dazwischen repräsentieren (dieses Phänomen wird Superposition genannt). So kann ein Quantencomputer mehrere Zustände gleichzeitig unterstützen und durch diese massive Parallelisierung komplexe Berechnungen viel schneller durchführen als ein klassischer Computer.

_{Abbildung 1: Ein klassischer Computer arbeitet mit Bits, während ein Quantencomputer mit Qubits arbeitet, die Zwischenzustände von 0 und 1 darstellen können.}

 

Der Begriff Quantum Machine Learning steht für die Kombination von Quantencomputern und Machine Learning. Diese kann in zwei Richtungen gehen:

• Quantencomputer unterstützen Machine-Learning-Prozesse: Sie können beispielsweise die Zeit beschleunigen, die für das Trainieren oder Auswerten eines ML-Modells benötigt wird.
• Machine-Learning-Methoden fördern Quantencomputing: ML-Methoden können dazu verwendet werden, neue Quantenalgorithmen zu entwickeln oder Codes zu entdecken, mit denen wir Fehler in Quantenberechnungen korrigieren können.

In diesem Artikel werden wir uns auf den ersten Punkt konzentrieren, der auch als "quantengestütztes Machine Learning" bezeichnet wird. Schauen wir uns also an, wie genau Quantencomputing unsere Machine-Learning-Modelle leistungsfähiger machen kann.

Wie funktioniert Quantum Machine Learning?

Quantencomputer können – unter anderem – Prozesse beschleunigen, für die ein klassischer Computer viel länger brauchen würde, z. B. das Trainieren eines Machine-Learning-Modells zur Lösung einer hochkomplexen Aufgabe.

Dazu wird ein Quantencomputer häufig als Co-Prozessor in den Machine-Learning-Prozess integriert: Teile des ML-Algorithmus werden auf einem herkömmlichen Computer ausgeführt; rechenintensive Subroutinen, mit denen der klassische Computer Schwierigkeiten hätte, werden jedoch auf ein Quantum Device ausgelagert, das komplexere Berechnungen schneller ausführen kann. Daher sind Lösungen für Quantum Machine Learning meist Mischformen aus klassischen (CPUs) und Quantum Processing Units (QPUs), die zusammenarbeiten.

Ein Beispiel hierfür ist das in Abbildung 2 gezeigte Variational Quantum CNN (Convolutional Neural Network). Dieses Netz hat die Aufgabe, Bilder zu klassifizieren – in diesem Fall: zu entscheiden, ob ein Bild eine Katze zeigt oder nicht. Faltung (en. convolution) und Klassifizierung werden auf Quantenhardware durchgeführt, indem die Input-Qubits verschränkt und die Ergebnisse gemessen werden. Der klassische Computer vergleicht die Input-Labels mit den Output-Labels und stellt die Konfiguration des Quantenschaltkreises so ein, dass die Leistung optimiert wird (dies ist der "Variations"-Teil), wodurch das Netz trainiert wird.

_{Abbildung 2: Ein Varational Quantum CNN, umgesetzt mithilfe von Operationen auf Qubits auf einem Quantencomputer (weitere Informationen findest du in diesem Artikel).}

Das Ergebnis: Durch die Kombination der Stärken von Quantencomputern und klassischen Computern in diesem speziellen Use Case muss das Variational Quantum CNN weniger Bilder sehen, um zuverlässig mit unbekannten Daten zu arbeiten. Mit anderen Worten: Das Quantum-Machine-Learning-Modell verallgemeinert besser als sein klassisches Gegenstück.

Dies ist nur ein Beispiel für Quantum Machine Learning aus einer Vielzahl von geplanten und bereits getesteten Architekturen. Zahlreiche Studien zeigen, dass neuronale Netze auf Quantenbasis im Vergleich zu klassischen Netzen deutlich weniger Parameter für dieselbe Leistung benötigen (in diesem Artikel 95 % weniger), was zu schnellerem Training und robusterer Konvergenz führen kann. Andere Ansätze zielen darauf ab, die Algebra von herkömmlichem Machine Learning exponentiell zu beschleunigen, damit das Modell schneller trainiert und auch schneller ausgeführt werden kann. Es lässt sich noch nicht mit Sicherheit sagen, unter welchen Bedingungen Quantum Machine Learning klassisches Machine Learning in der Praxis übertrifft, aber die bisher veröffentlichten Ergebnisse sind vielversprechend.

Nachdem wir herausgefunden haben, was Quantencomputing ausmacht und wie es mit Machine Learning kombiniert werden kann, kehren wir nun zu den zu Beginn des Artikels erwähnten Beispiel-Herausforderungen zurück um herauszufinden, wie genau Quantum Machine Learning sie lösen kann.

Wie kann Quantum Machine Learning angewendet werden?

Zu Beginn dieses Artikels haben wir festgestellt, dass Quantum Machine Learning bei Herausforderungen wie für gesunde Körperteile weniger schädlichen Strahlentherapien, der frühzeitigen Erkennung von gefährlichen Stürmen und dem Schutz autonomer Fahrzeuge vor Hackern helfen kann. Schauen wir uns nun an, wie diese praktischen Herausforderungen im Detail gelöst werden können:

• QML verbessert Strahlentherapien und medizinische Diagnostik.
  Strahlentherapien schädigen in der Regel das gesunde Gewebe und die Körperteile, welche die Ansammlung von Krebszellen umgeben. Um diese Schäden zu minimieren, müssen wir einen optimalen Bestrahlungsplan festlegen. Dies erfordert ein hoch-personalisierte Behandlung und viele Iterationen von Machine-Learning-Simulationen. Es gibt Hinweise darauf, dass die erhöhte Rauschresistenz und die bessere Mustererkennungsfähigkeit quantengestützter Algorithmen bei diesem Prozess hilfreich sein können. In ähnlicher Weise wird die medizinische Diagnostik wahrscheinlich von der Merkmalsauswahl, der Entdeckung von Biomarkern und der Risikobewertung durch Quantum Machine Learning profitieren.
• QML hilft bei der Vorhersage von Wetterentwicklungen.
  Um Wetterentwicklungen wie Stürme vorauszusehen, verwenden wir Simulationen, die von so genannten generativen Machine-Learning-Modellen erstellt werden. Diese Modelle hängen von unzähligen Parametern wie dem Zustand der Atmosphäre, des Landes und des Ozeans ab. Das macht es schwierig, Wetterphänomene in der fernen Zukunft vorherzusagen. Die Struktur von Quantennetzwerken scheint gut geeignet zu sein, um diese Komplexität zu bewältigen: In einer aktuellen Studie verwendeten Forscher einen hybriden Quantenansatz und synthetische Daten, die von einem überwachten Quantum-Machine-Learning-Modell erzeugt wurden, um Stürme vorherzusagen. Der Studie zufolge schnitt das hybride Modell genauso gut ab wie ein klassisches Basismodell. Ausserdem wurden die Vorhersagen des Modells bereits verbessert, wenn eine Schicht des klassischen neuronalen Netzes durch einen Quantum Convolutional Layer ersetzt wurde.
• QML macht autonome Fahrzeuge sicherer.
  Machine Learning hat grosses Potenzial für die Weiterentwicklung selbstfahrender Fahrzeuge gezeigt, kann aber aufgrund der Komplexität dieses Gebiets und seiner begrenzten Rechenleistung an seine Grenzen stossen. Das Interesse am Einsatz von Quantum Machine Learning für Anwendungen wie die Erkennung von Objekten und Strassenschildern, die Entscheidungsfindung und den Schutz vor Adversarial Attacks, nimmt zu. Es wird auch befürchtet, dass autonome Fahrzeuge zu einem beliebten Ziel für Hacker werden könnten. Quanten- und Post-Quanten-Kryptografie können die Sicherheit von Fahrzeugsystemen gewährleisten.

Warum solltest du dich jetzt für Quantum Machine Learning interessieren?

Die Quanteninformatik – und damit auch Quantum Machine Learning – beginnt gerade erst, ihr bzw. sein Potenzial zu entfalten. Derzeit gibt es Quantencomputer mit ein paar hundert Qubits, was für Proof-of-Concept-Studien ausreicht, aber nicht, um die wichtigen praktischen Probleme zu lösen, mit denen aktuelle Hochleistungsrechner zu kämpfen haben. Der Weg für die Hardware-Entwicklung ist jedoch vorgezeichnet, und Unternehmen entwickeln rasch immer leistungsfähigere Quantencomputer. Ihre Verfügbarkeit und ihr Einsatz sind deshalb nur noch eine Frage der Zeit.

Folglich investieren sowohl Unternehmen als auch Regierungen zunehmend in die Quanteninformatik. Dies führt zu einem schnell wachsenden Ökosystem von Hardware- und Softwareanbietern. Unternehmen, die diese leistungsstarke neue Technologie nutzen wollen, sind daher gut beraten, sich jetzt darüber zu informieren, welchen Nutzen diese für sie haben kann und wie sie sich am besten vorbereiten. Für den Einstieg empfehle ich diesen Artikel, der einige Business-Perspektiven aufzeigt. Wenn du Code-Beispiele sehen und in praktisches Quantum Machine Learning eintauchen willst, schau dich bei Qiskit, Pennylane oder Tensorflow Quantum um. Viel Spass beim Coden!