Dieses Modul soll den Studierenden die theoretischen und praktischen Aspekte der Nutzung von Quantencomputern zum Maschinellen Lernen näher bringen. Hierzu werden zunächst im ersten Teil der Vorlesung die notwendigen mathematischen Grundlagen von Quantensystemen und deren Repräsentation durch Qubits und Quantenschaltkreise zusammengefasst, bevor auf Basis bekannter Quantenalgorithmen die Vorteile und Möglichkeiten des Quantencomputings aufgezeigt werden. Schließlich wird ein Überblick über aktuelle hybride Ansätze im Bereich des Quantum Machine Learnings (QML) und deren Einsatzmöglichkeiten und Grenzen vermittelt:

• Grundlagen und Grundbegriffe
  • Theoretische und praktische Grundlagen des Quantencomputings
  • Taxonomie des Quantum Machine Learnings
• Überblick über QML-Algorithmen, z.B.
  • Variational Quantum Eigensolver
  • Quantum Approximate Optimization Algorithm
  • Quantum Autoencoder
  • Quantum Convolutional Neural Networks
  • Quantum Generative Adversarial Neural Networks
  • Quantum Kernels
• Aktuelle Herausforderungen, z.B.
  • Noise
  • Barren Plateaus

Insbesondere werden im Rahmen des Moduls die Anwendbarkeit auf heutigen Quantencomputern und die Skalierbarkeit der vorgestellten Ansätze beleuchtet.