Juni 2023

a:3:{s:6:"locale";s:5:"de_DE";s:3:"rtl";i:0;s:9:"flag_code";s:2:"de";}
Quantum-Multi-Agent-Reinforcement-Learning mit Evolutionärer Optimierung

Quantum-Multi-Agent-Reinforcement-Learning mit Evolutionärer Optimierung

Abstract:

Multi-Agent-Reinforcement-Learning gewinnt in Zeiten des autonomen Fahrens und anderer intelligenter industrieller Anwendungen zunehmend an Bedeutung. Gleichzeitig entsteht ein vielversprechender neuer Ansatz für Reinforcement-Learning, nämlich das Quantum-Reinforcement-Learning: Dieser nutzt die inhärenten Eigenschaften der Quantenmechanik und kann dadurch die trainierbaren Parameter eines Modells reduzieren. Allerdings haben gradientenbasierte Quantum-Multi-Agent-Reinforcement-Learning-Methoden oft mit Barren Plateaus zu kämpfen, die sie daran hindern, die Leistung klassischer Ansätze zu erreichen. Die vorliegende Arbeit basiert auf dem Ansatz von Chen et al. (2022) für gradientenfreies Quantum-Reinforcement-Learning und präsentiert einen Ansatz mit Variational-Quantum-Circuits für Multi-Agent-Reinforcement-Learning unter Verwendung von evolutionärer Optimierung. Der Ansatz wird in dem Environment Coin-Game mit klassischen Ansätzen verglichen. Es wird gezeigt, dass der Variationalle Quantum Circuit Ansatz im Vergleich zu einem neuronalen Netz mit einer ähnlichen Anzahl von trainierbaren Parametern deutlich besser abschneidet. Verglichen mit dem größeren neuronalen Netz erzielt der hier präsentierte Ansatz ähnliche Ergebnisse mit 98 (88%) weniger Parametern.

Autor/in:

Felix Topp

Betreuer:

Michael Kölle, Thomy Phan, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht April 2023 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Anomaly Detection using Quantum Circuit Born Machines

Anomaly Detection using Quantum Circuit Born Machines

Abstract:

Die Erkennung von Anomalien ist eine wichtige Komponente in verschiedenen Bereichen, z. B. im Finanzwesen, in der medizinischen Diagnose und bei der Betrugserkennung. Da die Datensätze immer komplexer und größer werden, stoßen herkömmliche Computer an die Grenzen ihrer Verarbeitungsleistung. Im Gegensatz dazu bieten Quantencomputer dank der physikalischen Eigenschaften ihrer Qubits, wie Verschränkung und Überlagerung, vielversprechende Lösungen. Die Entwicklung des maschinellen Lernens auf der Basis von Quantencomputern, insbesondere von Quantenschaltkreisen (Quantum Circuit Born Machines, QCBMs), wird als vielversprechender Ansatz zur Bewältigung solch komplexer Probleme vorgestellt. QCBMs sind parametrisierte Quantenschaltungen, die trainiert werden können, um Stichproben aus einer Zielverteilung zu erzeugen. Ziel dieser Arbeit ist es, diese Fähigkeit zur Erkennung von Anomalien zu nutzen, deren Verteilung sich von der normaler Datenpunkte unterscheidet. Die Wirksamkeit von QCBMs für die Erkennung von Anomalien wird anhand eines Datensatzes untersucht, der mit der make_blobs-Methode aus dem Scikit-learn-Paket in Python generiert wurde und bei dem einige Ausreißer deutlich von den Clustern unterschieden werden können. Seine Leistung wird mit einem Autoencoder-Modell anhand der ROC-Kurve und des Matthews-Korrelationskoeffizienten (MCC) verglichen. Diese Metriken werden verwendet, um die Fähigkeit der Modelle zur Erkennung von Anomalien und zur Vermeidung falsch positiver Ergebnisse zu bewerten. Die Ergebnisse zeigen, dass QCBMs den Autoencoder übertreffen, wenn sie mit einem kleineren Datensatz trainiert werden, was darauf hindeutet, dass QCBMs effektiver im Umgang mit Daten sind und die zugrunde liegende Verteilung effizienter lernen können als der Autoencoder. Beide Modelle können jedoch die Verteilung lernen, wenn sie mit dem gesamten Datensatz trainiert werden.

Autor/in:

Ahmad Almohamad Alissa

Betreuer:

Jonas Stein, Danielle Schumann, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht April 2023 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Efficient Quantum Circuit Architecture for Coined Quantum Walks on many Bipartite Graphs

Efficient Quantum Circuit Architecture for Coined Quantum Walks on many Bipartite Graphs

Abstract:

Quantum-Walks, ein Quantenanalogon der klassischen Random-Walks, haben sich als leistungsfähiges Paradigma für Quantenberechnungen und -simulationen erwiesen. Während klassische Random Walks auf stochastischen Prozessen beruhen, um Systeme zu erforschen, nutzen Quantenwalks die einzigartigen Eigenschaften der Quantenmechanik, um diese Aufgaben effizienter zu erfüllen. Insbesondere zeitdiskrete Quantenwanderungen (DTQWs) wurden ausgiebig für ihre Anwendungen in der Graphentheorie untersucht, wie z. B. Graphenisomorphismus, Graphenkonnektivität und graphbasierte Suchprobleme. Trotz ihres Potenzials bleibt die Implementierung von DTQWs auf zeitnahen Quantengeräten eine Herausforderung. Während sich frühere Arbeiten auf die Implementierung von Quantenschaltkreisen für DTQWs mit einheitlichen Münzoperatoren konzentrierten, ist die Implementierung von inhomogenen Münzsätzen eine komplexe Aufgabe, die neue Ansätze erfordert. In dieser Arbeit wird eine effiziente Quantenschaltungsarchitektur zur Implementierung von DTQWs mit inhomogenen, positionsabhängigen Münzsätzen auf einer großen Teilmenge von bipartiten Graphen vorgestellt. Es wird ein neuartiges Kantenbeschriftungsschema, Gray Code Directed Edges encoding, eingeführt, das die Vorteile des Gray Codes für die Positionskodierung und die bipartite Struktur des zugrundeliegenden Graphen nutzt, um die Komplexität der Quantenschaltungen zu minimieren, die die Münz- und Verschiebeoperatoren darstellen. Diese Optimierung führt zu weniger Gatteroperationen, wodurch die Auswirkungen von Rauschen und Fehlern in zukünftigen Quantengeräten reduziert werden. Es wird ein Beschriftungsschema für verschiedene Graphentopologien entwickelt, darunter Zyklusgraphen, verkettete Zylindergraphen und quadratische Gittergraphen, die besonders für Anwendungen des Verstärkungslernens relevant sind. Diese Erkenntnisse bieten eine neue Perspektive auf die Implementierung von geprägten Quantenspaziergängen und bilden die Grundlage für zukünftige Forschungen zu Quantenspaziergängen mit inhomogenen Münzmengen.

Autor/in:

Viktoryia Patapovich

Betreuer:

Jonas Stein, Michael Kölle, Maximilian-Balthasar Mansky, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Juli 2023 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Analyzing Reinforcement Learning strategies from a parameterized quantum walker

Analyzing Reinforcement Learning strategies from a parameterized quantum walker

Abstract:

Reinforcement Learning hat erhebliche Fortschritte bei der Lösung komplexer Probleme gemacht. Daher ist es nicht verwunderlich, dass es in verschiedenen Anwendungsbereichen zu finden ist. Auch die Quanteninformatik ist ein blühender Bereich, in dem in den letzten Jahrzehnten große Fortschritte zu verzeichnen waren. Bessere Quantencomputer führten zur ersten experimentell nachgewiesenen Quantenüberlegenheit. In der Folge wuchs das Forschungsgebiet, was zu Verbesserungen in verschiedenen Anwendungsbereichen des Quantencomputings führte. Einer davon ist das Quantenverstärkungslernen, bei dem das Quantencomputing mit klassischen Verstärkungslerntechniken kombiniert wird. Neben anderen Ansätzen werden Quantenwanderungen als Quantenberechnungsrahmen verwendet, was auch in der vorliegenden Arbeit der Fall ist. Hier wird der Ansatz verwendet, parametrisierte Münzmatrizen zu verwenden, um das Verhalten des Walkers, angepasst an Gittergraphen, zu bestimmen. Dabei sollen die Parameter der Münzmatrizen so erlernt werden, dass eine optimierte Leistung des Walkers zur Erfüllung einer bestimmten Aufgabe erreicht wird. In dieser Arbeit wird die Machbarkeit dieses Ansatzes auf einer Gitterwelt anhand von Gittern der Größe 2×2 und 4×4 untersucht. Darüber hinaus wird ein neues Konzept zur Einbeziehung zusätzlicher Randbedingungen durch Einführung eines zusätzlichen Umgebungsqubits vorgestellt und dessen Einfluss auf den Optimierungsprozess der Parameter untersucht. Die Ergebnisse können als Beweis für das Konzept angesehen werden, da der hier verwendete Ansatz in allen Experimenten bessere Ergebnisse als die zufällige Basislinie zeigt. Zudem kann kein negativer Einfluss des Umgebungsqubits festgestellt werden. Die hier gewonnenen Ergebnisse sind eine Grundlage für weitere Forschungen mit diesem Ansatz.

Autor:in:

Lorena Wemmer

Betreuer:

Jonas Stein, Michael Kölle, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Mai 2023 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Quantum Summit 2023 im September

Quantum Summit 2023 im September

Jonas Stein, Wissenschaftlicher Mitarbeiter des QAR-Labs der LMU München wird wertvolle Einblicke in die aktuellen QC-Forschungsprojekte geben - insbesondere zu den Highlights aus der Quantum Computing Optimization Challenge.

(13.06.2023/München) Quantencomputing ist nicht mehr nur ein Zukunftstrend – es wird bleiben und verspricht, sowohl lokale als auch globale Probleme in verschiedenen Bereichen zu lösen, die außerhalb der Reichweite heutiger Computer liegen. Am 20.-21. September 2023 findet in Berlin der Quantum Summit statt, an dem zahlreiche Experten aus der Forschung sowie Entscheidungsträger aus der Wirtschaft und der Politik zusammenkommen, um sich über wichtige Erkenntnisse im Bereich des Quantencomputing auszutauschen. Jonas Stein, Wissenschaftlicher Mitarbeiter des QAR-Labs der LMU München wird wertvolle Einblicke in die aktuellen QC-Forschungsprojekte geben – insbesondere zu den Highlights aus der Quantum Computing Optimization Challenge.

Die Quantum Computing Optimization Challenge ist ein Praktikum, das von Frau Prof. Dr. Linnhoff-Popien ins Leben gerufen wurde. Es fand im Jahr 2020 zum ersten Mal statt und ist seitdem fester Bestandteil in der Lehre. Dieses Praktikum vermittelt die Fähigkeit, Optimierungsprobleme für Quantencomputer zu modellieren, sowie einen Einstieg in die praktische Arbeit mit existierenden Quantencomputern. Dafür stehen im QAR-Lab derzeit vier Rechner zur Verfügung: IBM Q System One, Rigetti Aspen-11, Fujitsu DAU, D-Wave Advantage. In Kooperation mit namhaften Partnern aus der Industrie werden jedes Semester Aufgabenstellungen mit starker Relevanz für praktische Anwendungen vergeben. Die Studierenden haben die Möglichkeit, je eine Aufgabenstellung auf zwei Rechnern auszuführen und zu vergleichen. Im Sommersemester 2023 findet es bereits zum 5. Mal statt. In der QC Optimization Challenge stehen Anwendungsfälle in Bereichen der Optimierung, des Machine Learning und der Simulation auf dem Programm.
Freuen Sie sich auf einen spannenden Vortrag im September auf dem Quantum Summit.

Wenn Sie mehr zum Quantum Summit erfahren wollen, klicken Sie hier.

 


Kick-off Projektstart QCHALLenge

Kick-off Projektstart QCHALLenge

Das QAR-Lab der LMU München leitet das vom Bundesministerium für Wirtschaft und Klimaschutz geförderte Quantencomputing-Projekt QCHALLenge – die Unternehmen AQARIOS, BASF SE, BMW AG, SAP SE und Siemens AG werden Partner sein.

(01.12.2022/München) Am 01. Dezember trafen sich zum ersten Mal alle Projektpartner, um die gemeinsame Vision voranzubringen, einen Quantenvorteil im Bereich der Produktion und Logistik zu erreichen. Mit Hilfe des Projekts QCHALLenge sollen Optimierungsprobleme speziell in diesen Bereichen mittels bestehender Quantum Computing (QC) Hardware gelöst werden. Hierfür werden Algorithmen, Konzepte und Werkzeuge entwickelt, die der Wirtschaft branchenübergreifend und niederschwellig den Einsatz von QC ermöglichen. Dabei soll vor allem die automatisierte Integration von QC in bestehende Lösungen, die Entwicklung generischer Quanten-SDKs und der Ausbau von Knowhow in der Anwendung und Entwicklung von QC-Lösungen im Fokus stehen.

Die Projektpartner und ihre Rollen

Die Projektpartner setzen sich aus Technologieexperten, Softwareherstellern und der Anwenderindustrie zusammen, um ihr Know-how aus möglichst unterschiedlichen Perspektiven optimal zu ergänzen. Dabei übernimmt die LMU München als Konsortialführer die Leitung von QCHALLenge und bringt über das Quantum Applications and Research Laboratory (QAR-Lab) ihre langjährige Erfahrung im Gebiet der QC-Software ein. Seit dem Jahr 2016 wird im QAR-Lab bereits Forschung im Bereich Quantencomputing betrieben und an zahlreichen QC Industrie- und Förderprojekten gearbeitet. Daraus geht u.a. die Middleware UQO zum hardwareagnostischen Einsatz von QC hervor. Die AQARIOS, die 2021 als Spin-off der LMU München gegründet wurde, fokussiert sich als Software-und Technologiepartner insbesondere auf die Entwicklung und Implementierung von QC-Lösungen. Die Unternehmen BASF, BMW, SAP und Siemens vertreten im Konsortium die Anwenderseite, die QC in ihren jeweiligen Geschäftsfeldern vorantreiben und bereits durch zahlreiche Projekte im Bereich QC ihr Know-How aufbauen konnten. Da QCHALLenge speziell die Domänen Produktion und Logistik widmet, ergeben sich daraus u.a. Use Cases zur Optimierung von Lieferketten und Warenlagern und der Einsatz von QC in der Automatisierung.

Ziele von QCHALLenge:

Im Zentrum von QCHALLenge steht die Integration von QC in bestehende Software-Workflows. Insbesondere zielt das Projekt auch auf die Optimierung von Methoden im Machine Learning und der Simulation ab. Dabei hat sich das Konsortium folgende Punkte als Ziel gesetzt, die sie am Ende von QCHALLenge anstreben:

  • Die Erarbeitung generischer Entwicklungswerkzeuge und –umgebungen
  • Die Schaffung nutzerfreundlicher, ingenieurstechnischer Anwendungen wie z. B. Optimierungen für spezifische Anwendungsfälle
  • Die Entwicklung von Software-Lösungen für die Integration von konventionellen Computern und QC-Systemen (hybride Quanten-Software
  • Die Gestaltung von Strategien und Methoden zur strukturierten Analyse von anwendungsseitigen Problemen hinsichtlich der zielgerichteten Anwendung und Entwicklung von QC-Lösungen
Umsetzung und Ausblick:

Um QCHALLenge zum Erfolg zu führen, stehen vier große Meilensteine im Vordergrund: Im ersten Schritt geht es darum, geeignete Use Case zu identifizieren und eine Anforderungsanalyse herauszuarbeiten. Dabei steht im Vordergrund, welche Use Cases sowohl praxisrelevant sind, als auch einen potentiellen Quantenvorteil mit sich bringen. Insbesondere wird dabei auch der Vergleich zu klassischen Baselines angestellt und eine Vorhersage über das Eintreffen eines Quantenvorteils aufgestellt. Im zweiten Schritt werden Grobarchitekturen entwickelt und fertiggestellt, um verschiedene Software-Tools in bestehende Softwarelösungen zu integrieren. Der Fokus liegt hierbei auf der Schnittstellendefinition zu bestehenden Softwarelösungen. Als dritter Meilenstein sollen bereits erste prototypische Softwaretools und hybride Use-Case-Algorithmen zur Anwendung kommen, die am Ende zu einem finalen, ausgereiften Softwaretool weiterentwickelt werden. Konkret sollen die Software-Tools und Algorithmen so aufbereitet werden, dass sie nach der Projektlaufzeit operativ eingesetzt werden können und vor allem KMUs zugänglich gemacht werden.

Quantum Computing ist die nächste Technologie, die das Potential zu disruptiven Innovationen verspricht. Sie bietet bahnbrechende Möglichkeiten zur Lösung von Problemen, die auf klassischen Computern in der Praxis nicht lösbar sind. Es ist kaum vorhersehbar, welche Möglichkeiten das Quantencomputing und die Quantentechnologie im Allgemeinen für die Menschheit in der Zukunft bereithält. Es gibt zahlreiche Anwendungsfelder, in denen sie zum Einsatz kommen könnten. Mit QCHALLenge beginnt ein spannendes Projekt im Bereich des Quantencomputings, auf das sich alle Projektpartner sehr freuen. Wir dürfen gespannt sein, wohin diese gemeinsame Reise gehen wird.


5. QC Praktikum Kickoff mit BASF, BMW and Siemens

5. QC Praktikum Kick-off mit BASF, BMW and Siemens

Kick-off Event mit BASF, BMW und Siemens: 16 Studenten der LMU implementieren Use-Cases auf vier Quantencomputern: IBM Q System Two, Rigetti Aspen-M-2, Fujitsu DAU und D-Wave Advantage im der QC-Optimierungs Challenge.

Das Praktikum soll die Fähigkeit vermitteln, Optimierungsprobleme für Quantencomputer zu modellieren, sowie eine Einführung in die praktische Arbeit mit bestehenden Quantencomputern geben. Im QAR-Lab stehen dafür derzeit vier Rechner zur Verfügung: IBM Q System Two, Rigetti Aspen-M-2, Fujitsu DAU und der D-Wave Advantage.
In Zusammenarbeit mit unseren Industriepartnern BASF, der BMW Group und Siemens werden in diesem Semester von unseren Studenten konkrete Anwendungen mit hoher Relevanz für die Wirtschaft auf echten Quantencomputern berechnet. Anhand der drei Anwendungsfälle (1) Financial Forecasting (BASF), (2) Drive Train Optimization (BMW) und (3) Train Routing (Siemens) werden die Studenten drei Hauptanwendungen des Quantencomputings erkunden: Maschinelles Lernen, Simulation und Optimierung.

Wir freuen uns, dieses Praktikum bereits zum 5. Mal zu ermöglichen und sind gespannt auf die Ergebnisse am Ende dieses Semesters.

Mehr Informationen