Development of data visualization plugins for QHAna

Abstract

Visualization techniques are crucial for enhancing the understanding of complex datasets, especially in fields like quantum computing. QHAna is a tool specifically designed to allow users to explore and experiment with datasets generated by quantum computing and quantum machine learning. Built on the RAMP architecture, QHAna integrates additional capabilities through microservices and plugins. The aim of this thesis is to expand QHAna’s functionality by implementing new visualization methods. To ensure the effectiveness of these additions, an evaluation of various visualization techniques will be conducted, focusing solely on those relevant to quantum computing and quantum machine learning. Following this assessment, selected techniques will be implemented, thereby enriching QHAna’s ability to support the interpretation of generated data, especially data generated by quantum computing and quantum machine learning. The micro frontends and generated visualizations for all implemented plugins will be provided to demonstrate their utility. The implementation of these plugins will be discussed briefly, focusing on implementation challenges and plugin architecture. Visualisierungstechniken sind ausschlaggebend um das Verständnis von komplexen Datensätzen zu verstärken, besonders in Bereichen wie dem des Quantencomputings. QHAna ist eine Software, welche Nutzern die Möglichkeit gibt generierte Datensätze zu erforschen und mit diesen zu experimentieren, vor allem im Bezug auf Quantencomputing und Quantum Machine Learning. Basierend auf der RAMP Architektur integriert QHAna Microservices und Plugins, um weitere Funktionen anzubieten. Das Ziel dieser Bachelorarbeit ist QHAnas Funktionaliät durch das Implementieren von neuen Visualisierungsmethoden zu erweitern. Um die Effektivität dieser Ergänzungen sicherzustellen, werden verschiedene Visualisierungstechniken evaluiert, wobei nur Visualisierungstechninken betrachtet werden, die relevant im Bereich des Quantencomputings und Quantum Machine Learnings sind. Nach dieser Evaluierung werden ausgewählte Techniken implementiert, wodurch QHAnas Fähigkeit Nutzern bei der Interpretierung von generierten Daten, besonders im Bezug auf Quantencomputing und Quantum Machine Learning, zu helfen gesteigert wird. Die Mikro-Frontends und generierten Visualisierungen aller implementierten Plugins werden dargestellt, um ihren Nutzen zu demonstrieren. Die genaue Implementierung dieser Plugins wird nur kurz diskutiert, wobei Herausforderungen beim Implementieren und die Plugin Architektur eher hervorgehoben werden.