Quo vadis, Quanten-Maschinelles Lernen?

Quantenbasiertes maschinelles Lernen verspricht erhebliche Verbesserungen in verschiedenen Aspekten des maschinellen Lernens, darunter Stichprobenkomplexität, Rechenkomplexität und Generalisierung. Das Feld hat in den letzten Jahren erhebliche Fortschritte gemacht. Ein zentrales Ziel – die Entwicklung von Quantenalgorithmen, die klassische Methoden für praktisch relevante unstrukturierte Daten deutlich übertreffen – bleibt jedoch unerreichbar. In diesem Vortrag werden wir diese Herausforderung aus verschiedenen Perspektiven beleuchten und dabei jeglichen Hype oder Übertreibungen vermeiden. Wir werden Fälle untersuchen, in denen Trennungen identifiziert werden können, beispielsweise in abstrakten Fällen von Generatoren [1] und Dichtemodellierung [2], beim Training klassischer Netzwerke mit Quantenalgorithmen [3], bei kurzen Quantenschaltungen [4] und bei Quantenanaloga von diffusionsprobabilistischen Modellen [5]. Gleichzeitig werden wir uns mit den Herausforderungen befassen, die sich aus der Dequantisierung sowohl in rauschfreien [6] als auch in nicht-unitalen, verrauschten Umgebungen [7] ergeben. Diese Erkenntnisse werden auch dazu anregen, über traditionelle Ansätze hinauszudenken. Wir werden das Konzept der Generalisierung [8] neu betrachten und Beispiele für erklärbares Quanten-Maschinenlernen [9] und Single-Shot-Quanten-Maschinenlernen [10] untersuchen. Letztlich werden wir diese Erkenntnisse nutzen, um über das Potenzial und die Grenzen der Anwendung von Quantencomputern auf maschinelle Lernprobleme mit unstrukturierten, verrauschten Daten nachzudenken.

[1] Quantum 5, 417 (2021).
[2] Phys. Rev. A 107, 042416 (2023).
[3] Nature Comm. 15, 434 (2024).
[4] arXiv:2411.15548 (2024).
[5] arXiv:2502.14252 (2025).
[6] Quantum 9, 1640 (2025).
[7] arXiv:2403.13927 (2024).
[8] Nature Comm. 15, 2277 (2024).
[9] arXiv:2412.14753 (2024).
[10] arXiv:2404.03585 (2024).

Vortragssprache: EN