Advanced AI and HPC - Quantum Computing
Das Team Quantum Computing bringt Forschende des DFKI mit einem starken wissenschaftlichen Hintergrund in Physik, Mathematik und Informatik mit Forschenden der Universität Bremen zusammen. Unsere Arbeit konzentriert sich auf verschiedene Bereiche des Quantencomputings und des maschinellen Lernens auf Quantenbasis, vor allem:
- Quantenunterstütztes maschinelles Lernen
- Quanteninspiriertes maschinelles Lernen
- Quantenfehlerkorrektur und Fehlerminderung
- Quantum Optimal Control
- Verteiltes Quantencomputing
Der erste Teil unserer Arbeit besteht in der Übertragung von Forschungsergebnissen auf die prototypische Nutzung in der Industrie. Zweitens arbeiten wir daran, die Technologie von Quantencomputern zu verbessern, um sie für den industriellen Einsatz bereit zu machen.
Im Bereich des quantengestützten maschinellen Lernens bewerten wir, wie Quantencomputer-Ressourcen für überwachtes Lernen, unüberwachtes Lernen und bestärkende Lernverfahren nutzbar gemacht werden können. Beim quanteninspirierten maschinellen Lernen stützen wir uns auf Tensornetzwerke, wie sie in der Physik schon lange etabliert sind. Die hier gewonnene Erklärbarkeit ermöglicht es unseren Industriepartnern, Künstliche Intelligenz in regulierten Bereichen zu nutzen, indem sie ein Modell einsetzen, das sie darüber informiert, warum eine Entscheidung getroffen oder nicht getroffen wurde. Darüber hinaus werden quanteninspirierte Techniken auch zur Entwicklung von Variational Quantum Solvers für die numerische Strömungsmechanik eingesetzt. Dies hilft bei der Einsparung von Ressourcen in der Luft- und Raumfahrt, bei Mobilitätssimulationen sowie bei der Umstellung auf erneuerbare Energien und umweltfreundliche Designs.
Die Verbesserung der Quantencomputertechnologie in der gegenwärtigen Noisy Intermediate-Scale Quantum (NISQ)-Ära erfordert Arbeiten zur Fehlerkorrektur und -minderung. Wir arbeiten an Benchmarks für Quanten-Hardware, die Fehlerkorrekturcodes verwenden, und entwickeln außerdem neuartige Techniken zur Fehlerkorrektur, die sich für den Einsatz im maschinellen Quantenlernen eignen. Im Bereich der Quantum Optimal Control verwenden wir Techniken wie Optimierungsmethoden, die im Bereich Optimal Control für die Robotik etabliert sind, und übertragen diese auf die Steuerung von Quantenhardware durch Laserpulse. Für das verteilte Quantencomputing schließlich untersuchen wir Methoden zur effizienten Nutzung mehrerer Quanten-Hardware-Ressourcen, die über klassische und/oder Quantenkanäle verbunden sind.
Projekte:
Publikationen:
- Quantum Deep Reinforcement Learning for Robot Navigation Tasks: https://ieeexplore.ieee.org/document/10568148
- Learning Capability of Parameterized Quantum Circuits: https://arxiv.org/abs/2209.10345
Teamleitung: Dr. rer. nat. Gunnar Schönhoff
Stellvertretung: Dr. Elie Mounzer