QuditML: Quantum Machine Learning mit Multi-Level Systemen

Quantum Machine Learning bezeichnet ein interdisziplinäres Forschungsfeld, das Quantencomputing und maschinelles Lernen miteinander verknüpft. Es nutzt quantenmechanische Effekte wie Superposition und Verschränkung, um neue Ansätze für effizientere Datenverarbeitung und präzisere Vorhersagemodelle zu entwickeln. Umfangreiche theoretische Ansätze sowie erste Anwendungsberichte aus mehreren wissenschaftlichen Disziplinen belegen das hohe Potenzial dieser Zukunftstechnologie. Bislang basiert Quantencomputing meist auf binären Quanteneinheiten (kurz Qubits), die sich in einer Überlagerung der Zustände 0 und 1 befinden können. Viele Quantencomputer unterstützen jedoch von Natur aus mehr als diese beiden Zustände. Ein Qudit nutzt mehr als zwei Zustände und ermöglicht damit die Verarbeitung von mehr Information pro Quanteneinheit. Zudem weisen theoretische Studien auf eine größere Vielfalt an Rechenoperationen hin, die sich durch höhere algorithmische Effizienz, größere Robustheit und einen reduzierten Ressourcenverbrauch auszeichnen könnten. Trotz dieses enormen Potenzials sind Qudits im Hinblick auf Algorithmendesign und initiale Anwendungen, insbesondere im Bereich Quantum Machine Learning, bislang kaum erforscht. Die zentrale Innovation des Projekts QuditML besteht darin, diese Lücke zu schließen, indem neuartige Quantum Machine Learning-Algorithmen entwickelt werden, die auf Qudits, also Mehr-Level- Quantensystemen, basieren. Dabei werden Klassifikations- und Regressionsaufgaben mit realen Daten aus drei wissenschaftlichen Bereichen untersucht: Medizin, Hochenergiephysik und Chemie. Damit einhergehend sind auch maßgeschneiderte Verfahren zur Kodierung multimodaler klassischer Daten, insbesondere tabellarischer, signalbasierter und bildbasierter Daten, in hochdimensionale, expressive Qudit-Repräsentationen. Neben dem erstmaligen Aufzeigen praktischer algorithmischer Vorteile wird das Projekt QuditML auch andere bislang unerforschte Aspekte von qudit-basiertem Machine Learning untersuchen, wie etwa Trainingsverhalten, Stabilität und Generalisierungsfähigkeit auf unbekannten Daten. Dieses high-risk/high-gain Projekt könnte maßgeblich dazu beitragen, Quantencomputing grundlegend voranzubringen, indem es erstmalig die bislang theoretischen Vorteile von Qudits in praktisch einsetzbare Machine-Learning-Algorithmen übersetzt. So könnte das Projekt QuditML als Katalysator für die intensivere Erforschung von Multi-Level Quantencomputing wirken und die Quantentechnologie allgemein bedeutend vorantreiben.