Quantum Machine Learning
- Typ: Vorlesung
- Lehrstuhl: KIT-Fakultäten - KIT-Fakultät für Elektrotechnik und Informationstechnik
- Semester: Wintersemester
-
Ort:
20.30 Seminarraum -1.011 (UG)
-
Zeit:
Montag 14:00 - 15:30, wöchentlich
- Beginn: 21.10.2024
- Dozent:
- SWS: 2
- ECTS: 3
- LVNr.: 2302126
-
Prüfung:
mündlich
Die Anmeldung zur Prüfung ist ab jetzt möglich.
Bitte melden Sie sich in CAS zur Prüfung an.
Die Terminreservierung erfolgt über das Buchungstool der ILIAS-Plattform (siehe Vorlesungsunterlagen).
- Hinweis: Präsenz
| Vortragssprache | Deutsch |
Inhalte der Vorlesung
In den letzten Jahren wurden im Bereich der künstlichen Intelligenz (KI) bemerkenswerte Fortschritte erzielt. Maschinelles Lernen (ML) ist eine Teildisziplin der KI, welches versucht, Techniken zu entwickeln, die Computer in die Lage versetzen, aus Daten zu lernen. Ziel von ML-Methoden ist es, das zugrunde liegende Modell für bestimmte Aufgaben zuverlässig zu abstrahieren. Quantum-Computing beschreibt die Informationsverarbeitung mit Geräten, die auf den Gesetzen der Quantentheorie basieren. Auf Grund der bisherigen Erfolge von ML und Quantum-Computing kann erwartet werden, dass beide Technologien in der Zukunft eine enorme Rolle bei der digitalen Datenverarbeitung spielen werden. Daher ist es spannend, herauszufinden, wie diese beide Techniken miteinander kombiniert werden können, um bessere und zuverlässige Lösungen für verschiedene Aufgabenstellung zu erhalten.
Quantum Machine Learning (QML) ist ein interdisziplinäres Forschungsgebiet, welches Physik, Mathematik, Informatik und Elektrotechnik umfasst. Es widmet sich der Verwendung von Quanten-Computern zur Berechnung von Algorithmen des maschinellen Lernens. Methoden des QML helfen, klassische Methoden des ML zu verbessern, da sie sich die Vorteile des Quantum-Computing zu Nutze machen. Durch den Einsatz von QML werden die bisherigen Aufgabenstellungen nicht nur schneller gelöst, sondern man kann auch mehr Aspekte der natürlichen Welt in bereits vorhandene KI-Methoden zu integrieren.
Das Modul behandelt die Grundlagen und Konzepte des Quantum Machine Learning. Es werden u.a. folgende Themen behandelt:
-
Grundbegriffe der Quantenmechanik
-
Von Bits zu QBits
-
Quanten-Computer und Quanten-Schaltkreise
-
Quanten-Informationstheorie
-
Quanten-Signalverarbeitung
-
Wiederholung des klassischen maschinellen Lernens
-
Quanten-Algorithmen
-
Quanten-Klassifikation und -Regression
-
Quantum Deep Learning
-
… weitere interessante Themen.