Enhancing quantum state analysis with QHAna plugins for quantum neural networks research

Abstract

Quantum Machine Learning (QML) models have the potential to outperform classical machine learning by increasing entanglement when their training data provide specific structural features [MBLV23; SCH+22]. However, researchers have been missing automated tooling to verify these structural features in scalable settings. This thesis extends the plugin-based platform Quantum Humanities Analysis Tool (QHAna) with a suite of seven analysis plugins that inspect quantum states supplied as vectors or OpenQASM circuits. Six classical plugins compute the Schmidt rank, detect various forms of orthogonality, and different kinds of linear dependence. A seventh, quantum plugin implements a swap-test circuit to decide orthogonality on quantum hardware or simulators. All plugins expose Representational State Transfer (REST) Application Programming Interfaces (APIs) and micro-frontends, enabling their integration into experimental setups. Evaluation using test cases confirms correct classification and shows that the analysis can be performed using either classical or quantum methods. By automating state analysis, the thesis lays the groundwork for empirically exploring how entangled datasets influence the performance of Quantum Neural Networks (QNNs) and facilitates future research on data-efficient QML. Modelle des Quantenmaschinellen Lernens haben das Potenzial, klassische Verfahren zu übertreffen, wenn ihre Trainingsdaten bestimmte strukturelle Merkmale aufweisen und ein erhöhtes Maß an Verschränkung enthalten [MBLV23; SCH+22]. Bisher fehlten den Forschenden jedoch automatisierte Verfahren, um diese strukturellen Eigenschaften skalierbar zu überprüfen. Diese Arbeit erweitert die plugin-basierte Plattform QHAna um eine Suite von sieben Analyse-Plugins, die Quantenzustände in Form von Zustandsvektoren oder OpenQASM-Schaltkreisen untersuchen. Sechs klassische Plugins bestimmen den Schmidt-Rang, erkennen verschiedene Formen von Orthogonalität und identifizieren unterschiedliche Arten linearer Abhängigkeit. Ein siebtes, quantenmechanisches Plugin implementiert eine Swap-Test-Schaltung, um Orthogonalität auf echter Quantenhardware oder in Simulatoren zu prüfen. Alle Plugins stellen REST-konforme Schnittstellen sowie Micro-Frontends bereit und lassen sich in experimentelle Umgebungen integrieren. Die Auswertung anhand von Testfällen bestätigt die korrekte Klassifikation und zeigt, dass die Analyse sowohl klassisch als auch quantenbasiert durchgeführt werden kann. Durch die Automatisierung der Zustandsanalyse schafft diese Arbeit eine Grundlage für empirische Untersuchungen darüber, wie verschränkte Datensätze die Leistungsfähigkeit von Quantenneuronalennetzen beeinflussen und unterstützt zukünftige Forschung zu dateneffizientem Quantenmaschinellen Lernen.