Quantenmaschinelle Lernverfahren, insbesondere das quantenbasierte bestärkende Lernen (QDRL, Quantum Deep Reinforcement Learning), haben in der Wissenschaft in den vergangenen Jahren enorm an Aufmerksamkeit gewonnen, da erfolgsversprechende Ergebnisse für einfache Aufgabenstellungen in simplen Simulationsumgebungen schnell gefunden wurden. Die bislang veröffentlichten Algorithmen haben den Vorteil [...] Vorteil, dass die Architektur der Quantenschaltung so gewählt ist, dass sie sich für kleine, aber relevante Beispiele auf aktuell verfügbarer Quantenhardware ausführen lässt. Aus der relativen Neuheit der Methoden des hybriden QDRL ergeben sich eine Reihe von offenen wissenschaftlichen Fragestellungen. Zum einen ist die Reproduzier- und Transferierbarkeit der publizierten Ansätze unklar. Darüber hinaus ist [...] Hierzu müssen allerdings insbesondere Möglichkeiten zur Kodierung hochdimensionaler Eingangsdaten in Quantenschaltkreise evaluiert werden. Außerdem ist zu klären, welche der zahlreichen aktuell erfolgreichen klassischen Algorithmen zum bestärkenden Lernen durch Komponenten des quantenmaschinellen Lernens sinnvoll erweitert werden können. Darüber hinaus sind die Untersuchung und Entwicklung neuer
der Auswahl, Umsetzung und ggf. Neuformulierung von quantengestützten Verfahren der Optimierung und des maschinellen Lernens, wie auch der Definition und Auswahl von Metriken zur Evaluation von klassischen und quantengestützten Algorithmen und schlußendlich der Durchführung der notwendigen Experimente und Evaluation von derzeitigen Quantentechnologien. Partner Universität Bremen [...] die Konzeption des Berechnungsschnittes von klassischen und quantengestützten Verfahren im Demonstrationsszenario zu erarbeiten. Hierzu werden zusammen mit der Universität Bremen mehrere technische Arbeitsziele umgesetzt wie bspw. die Konzeption und Umsetzung eines Software-Rahmenwerkes zum Vergleich von klassischen und quantengestützten Algorithmen, wie auch die softwaretechnische Umsetzung der Verbindung [...] Das Ziel von QINROS ist es, basierend auf der Künstlichen Intelligenz (KI) in Quantum Computing Agenda der Arbeitsgruppe Robotik und des DFKI RIC, ein Anwendungsfeld des Quantencomputing in der Robotik für Weltraumanwendungen konzeptionell zu erarbeiten und prototypisch umzusetzen. Die Ergebnisse zielen auf TRL 1-2 ab. QINROS ist ein Verbundvorhaben zusammen mit der AG Robotik der Universität Bremen
QuMAL-KI – Quantenbeschleunigtes Multi-Agenten Lernen für langzeitautonome Roboter – sollen zur Beschleunigung von Verfahren des Deep Reinforcement Learning für mehrere Agenten existierende Quantenalgorithmen evaluiert, sowie neue Quantenalgorithmen entwickelt werden. Diese sollen anschließend mit klassischen Verfahren des Deep Reinforcement Learning in ein hybrides Framework für Quanten/Klassisches Multi-Agenten
Das Vorhaben Q³-UP! beabsichtigt den Fachkräftemangel im Technologiefeld der quanten-basierten Künstlichen Intelligenz, insbesondere dem quantenmaschinellen Lernen (QML), einem Teilgebiet des Quantum Computing (QC), mit mehreren, bedarfsorientierten Qualifikationsansätzen entgegenzuwirken. Diese Ansätze umfassen die Ebenen Hochschullehre, Netzwerkinitiativen, Weiterbildungsmaßnahmen für Software-E
Vorhaben QuDa-KI werden zwei wissenschaftliche Ziele verfolgt. So wird die Qubit-basierte Repräsentation von (roboternahen) Datenströmen, insb. Sensorik und Aktuatorik, entwickelt, um diese in quantenerweiterten Algorithmen des maschinellen Lernens verwenden zu können. Der Fokus liegt hierbei auf Qubit-basierten Minimalrepräsentationen von essenziellen Merkmalen, um mit den wenigen zurzeit zur Verfügung [...] Qubits in der NISQ Ära Anwendungsfälle umsetzen zu können. Weiterhin werden klassische maschinelle Lernverfahren, insbesondere im überwachten Lernen, z.B. der Klassifikation, bzgl. neuer hybrider Quantenerweiterungen untersucht. Diese Erweiterungen sollen insbesondere für möglichst kleine Datenmengen optimiert werden, um das Zusammenspiel mit den Qubit-basierten Minimalrepräsentation zu ermöglichen.
