Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-10625
Authors: Radic, Marco
Title: Quantum-enhanced machine learning in the NISQ era
Issue Date: 2019
metadata.ubs.publikation.typ: Abschlussarbeit (Master)
metadata.ubs.publikation.seiten: 61
URI: http://elib.uni-stuttgart.de/handle/11682/10642
http://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-106420
http://dx.doi.org/10.18419/opus-10625
Abstract: Quantum computation technologies have reached a new level of sophistication with the release of the first commercial offerings. Likewise, Machine Learning is popular for use-cases in both industry and research. With Quantum Machine Learning, one hopes to combine both areas in a symbiotic relationship to achieve an advantage in artificial intelligence with the use of quantum technologies. Recently presented approaches make use of quantum technologies in combination with classical hardware resources in order to mitigate the problems imposed by shortcomings of quantum computers of the current generation. Some of these approaches use quantum circuits with free parameters, which are optimized to solve problems and objectives in Machine Learning. This work presents a concept for automated modelling of these quantum circuits, with the goal of constructing suitable circuits for the task of classification. The concept is implemented in a prototype and validated in experiments.
Mit der Veröffentlichung der ersten kommerziellen Angebote haben Quantencomputer-Technologien einen neuen Reifegrad erreicht. Ebenso erfreuen sich Machine Learning-Verfahren großem Interesse aus Forschung und Industrie. Mit Quantum Machine Learning erhofft man sich, diese beiden Felder symbiotisch zu vereinen, um einen Vorteil im Bereich künstlicher Intelligenz durch den Einsatz von Quantentechnologien zu erreichen. Kürzlich vorgestellte Ansätze behandeln den Einsatz von Quantencomputern in Kombination mit klassischen Hardwareressourcen, um Nachteilen der aktuellen Generation von Quantencomputern entgegenzuwirken. Einige dieser Verfahren nutzen Quantenschaltkreise mit freien Parametern, welche mit klassischen Optimierungsverfahren auf Machine Learning-Probleme abgestimmt werden. In dieser Arbeit wird ein Ansatz vorgestellt, welcher die Modellierung dieser Quantenschaltkreise dynamisch übernimmt, mit dem Ziel, geeignete Schaltkreise für die Klassifikations-Aufgabe zu konstruieren. Der Ansatz wird prototypisch implementiert und mit Experimenten validiert.
Appears in Collections:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Files in This Item:
File Description SizeFormat 
main-english.pdf499,19 kBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.