Quantencomputer: Neue Potenziale für Maschinelles Lernen

Autor*in:
Prof. Dr.
Christian
Bauckhage
Dr.
Nico
Piatkowski

Quantencomputer können eine Vielzahl von Lösungswegen parallel berechnen und haben so das Potenzial, Informationen schneller zu verarbeiten und komplexere Aufgaben zu bewältigen als klassische digitale Computer. Quantentechnologie wird die Künstliche Intelligenz und das Maschinelle Lernen in der Folge tiefgreifend verändern und gänzlich neue Anwendungsmöglichkeiten in der Praxis erschließen. Aus diesem Grund widmet sich das Kompetenzzentrum ML2R in einem seiner Forschungsschwerpunkte der Erforschung des Maschinellen Lernens auf Quantencomputern. Doch was zeichnet Quantum Computer eigentlich aus? Wie funktionieren Quantenalgorithmen und wo können sie eingesetzt werden? Diese und weitere Fragen beantworten Forschende auf dem Gebiet des Quantum Machine Learning in unserer dreiteiligen Kurzvideoreihe.

In unserem ersten Videobeitrag erklärt Dr. Nico Piatkowski die Funktionsweise und Vorteile der Technologie. Er zeigt: Schon heute ist es der Forschung möglich mit verschiedenen Verfahren Quantencomputer und speziell Quantenbits (Qubits) zu realisieren. Die zugrundeliegenden Technologien basieren beispielsweise auf supraleitenden Chips, Ionenfallensysteme und photonischen Quantencomputern.

YouTube

Durch das Laden des Videos erklären Sie sich mit den Datenschutzbestimmungen von YouTube einverstanden.
Learn more

Video laden

Im folgenden Video erläutert Prof. Dr. Christian Bauckhage, Lead Scientist am ML2R-Standort des Fraunhofer IAIS und der Universität Bonn, die Bedeutung und Potenziale von Quantencomputern. Erfahren Sie mehr darüber, welche Anwendungen des Quantencomputing bereits heute im Maschinellen Lernen und in der Künstlichen Intelligenz zu finden sind, welche es in Zukunft geben wird und welche wirtschaftlichen Lösungen und praktischen Probleme zu erwarten sind. Lesen Sie hierzu die Studie „Quantum Machine Learning: Eine Analyse zu Kompetenz, Forschung und Anwendung“.

YouTube

Durch das Laden des Videos erklären Sie sich mit den Datenschutzbestimmungen von YouTube einverstanden.
Learn more

Video laden

Die Frage, wo Quantencomputer in Wirtschaft und Gesellschaft eingesetzt werden können, ist essenziell für die Forschung. Dr. Thomas Soddemann, Geschäftsfeldleiter High Performance Computing am Fraunhofer SCAI, beleuchtet in unserem Video konkrete Anwendungsmöglichkeiten von Quantencomputern. Dabei geht er auf die Frage ein, welche Branchen von Lösungen der Quantentechnologie am meisten profitieren können und welche Entwicklung und Fortschritte in der Zukunft zu erwarten sind.

YouTube

Durch das Laden des Videos erklären Sie sich mit den Datenschutzbestimmungen von YouTube einverstanden.
Learn more

Video laden

Autor*in

Prof. Dr.
Christian
Bauckhage

Christian Bauckhage verfügt über mehr als 20 Jahre Forschungserfahrung in der Industrie und im Hochschulbereich. Er ist Miterfinder von 4 Patenten und (Mit-)Autor von mehr als 200 Veröffentlichungen zu den Themen Mustererkennung, Data Mining und intelligente Systeme, von denen mehrere als beste Arbeiten ausgezeichnet wurden. Er studierte Informatik und Physik in Bielefeld, war Forschungspraktikant am INRIA Grenoble und promovierte 2002 in Informatik an der Universität Bielefeld. Danach arbeitete er am Centre for Vision Research der York University in Toronto und als Senior Scientist bei den Deutsche Telekom Laboratories in Berlin, bevor er 2008 nach Bonn berufen wurde. Er ist regelmäßig als Gutachter oder Bereichsleiter für Konferenzen wie ECML PKDD, ICANN, ICLR, ICML, IJCAI, NeurIPS tätig und ist Mitherausgeber der Zeitschriften Pattern Recognition und IEEE Trans. über Spiele. Christians aktuelle Forschung konzentriert sich auf Theorie und Praxis hybrider Lernsysteme und auf Quantencomputing für KI und ML.

Dr.
Nico
Piatkowski

Dr. Nico Piatkowski ist Wissenschaftler am Lamarr-Standort Fraunhofer IAIS und Koordinator des Lamarr-Forschungsbereiches Maschinelles Lernen auf Quantencomputern. In seiner Arbeit widmet er sich dem Design von Quantenalgorithmen für die probabilistische Inferenz. Der Schwerpunkt seiner Arbeit liegt hierbei in der Suche nach Quantenalgorithmen, die sowohl wichtige statistische Eigenschaften erhalten als auch schneller eine Lösung finden als klassische Algorithmen.