Student-Abstracts

a:3:{s:6:"locale";s:5:"de_DE";s:3:"rtl";i:0;s:9:"flag_code";s:2:"de";}
Evolutionäre Optimierung von Variationellen Quantum Circuits mit Hoher Genauigkeit und Minimaler Anzahl an Parameterisierten Gattern

Evolutionäre Optimierung von Variationellen Quantum Circuits mit Hoher Genauigkeit und Minimaler Anzahl an Parameterisierten Gattern

Abstract:

Variational Quantum Circuits (VQCs) stellen einen der vielversprechendsten Ansätze dar, um die Fähigkeiten von Quantencomputern der nahen Zukunft zu nutzen. Obwohl sie ein hohes Maß an Flexibilität und Anpassungsfähigkeit bieten, stehen VQCs vor erheblichen Herausforderungen, insbesondere in Bezug auf Trainierbarkeit und Skalierbarkeit. Um diese Einschränkungen zu überwinden, untersucht diese Arbeit den Einsatz evolutionärer Algorithmen zur automatischen Generierung von VQCs mit einer minimalen Anzahl parametrisierter Gatter. Dieser Ansatz ermöglicht eine systematische Untersuchung der Rolle, die solche Gatter bei der Optimierung von VQCs für gängige Benchmark-Probleme spielen. Die vorgeschlagene Methode wird im Zusammenhang mit einer Klassifizierungsaufgabe bewertet, wobei besonderes Augenmerk auf die Klassifizierungsgenauigkeit und die Anzahl der erforderlichen parametrisierten Gatter gelegt wird. Die Experimente wurden an zufälligen Schaltungen mit 4 und 6 Qubits mit variabler Schaltungstiefe durchgeführt. Die Ergebnisse zeigen, dass die Reduzierung der Anzahl der Parameter den Optimierungsprozess verbessert, was zu Klassifikatoren führt, die eine größere Robustheit und eine verbesserte Genauigkeit aufweisen.

Autor/in:

Tobias Daake

Betreuer:

Leo Sünkel, Maximilian Zorn, Thomas Gabor, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Oktober 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Geometrische Quanten-GANs: Topologiegesteuerte Architekturen für Graphengenerierung

Geometrische Quanten-GANs: Topologiegesteuerte Architekturen für Graphengenerierung

Abstract:

Die generative Modellierung komplex strukturierter Daten, wie beispielsweise Graphen mit eingebetteten geometrischen Beschränkungen, stellt für klassische Ansätze des maschinellen Lernens nach wie vor eine grundlegende Herausforderung dar. In dieser Studie untersuchen wir das Potenzial von Quantum Generative Adversarial Networks (QuGANs), diese Einschränkungen zu überwinden, indem wir uns auf eine repräsentative Benchmark-Aufgabe konzentrieren: die Generierung von vollständigen Graphen mit vier Knoten (K4), die plausible Flug-Routen / -Topologien widerspiegeln. Diese Graphen müssen wichtige geometrische Eigenschaften erfüllen, um innerhalb des euklidischen Raums als physikalisch gültig zu gelten, insbesondere die Dreiecksungleichung für alle Unterdreiecke und die Ptolemäische Ungleichung für jedes Vierer-Knotenpaar. Wir präsentieren eine strenge vergleichende Analyse zwischen einem klassischen Generative Adversarial Network (GAN) und mehreren hybriden QuGAN-Varianten, die jeweils eine unterschiedliche Quanten-Generatorarchitektur verwenden. Dazu gehören ein generischer und ein problemorientierter verschränkter Ansatz, der die strukturellen Prioren der Zielgraphen direkt in das Design des Quantenschaltkreises einbezieht.

Die Bewertung erfolgt anhand der Wasserstein- und Jensen-Shannon-Divergenzmetriken, geometrischer Validitätsprüfungen und einer neu vorgeschlagenen Vier-Punkte-Ptolemäischen Konsistenzmetrik (4PCM). Das topologieinspirierte QuGAN erweist sich als die erfolgreichste Architektur, da es ein optimales Gleichgewicht zwischen konkurrierenden Zielen herstellt. Es liefert die höchsten geometrischen Validitätswerte unter allen QuGAN-Varianten und erreicht gleichzeitig die starke Leistung des klassischen GAN bei der Reproduktion der multimodalen Struktur der empirischen Daten. Diese Ergebnisse stützen die Hypothese, dass die Einbettung domänenspezifischer induktiver Verzerrungen in Quantenmodelle deren Leistung bei komplexen Aufgaben zur Generierung wissenschaftlicher Daten erheblich verbessern kann.

Autor/in:
Markus Baumann

Betreuer:

Tobias Rohe, Claudia Linnhoff-Popien

Studentische Praktikumsarbeit | Veröffentlicht Oktober 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Offline Quantum Reinforcement Learning mittels metaheuristischen Optimierungsstrategien

Offline Quantum Reinforcement Learning mittels metaheuristischen Optimierungsstrategien

Abstract:

In dieser Arbeit wird offline Quantum Reinforcement Learning (QRL) metaheuristischen Optimierungsverfahren untersucht. O!ine Reinforcement Learning (RL) ermöglicht es, Agenten ausschließlich auf Basis fixer Datensätze zu trainieren, anstatt durch direkte Interaktion mit der Umgebung. Dadurch eignet sich dieser Ansatz besonders für reproduzierbare Studien und kontrollierte Vergleiche. Für CartPole-v1 wurde hierzu ein Datensatz erstellt, der eine Kombination verschiedener Strategien umfasst. Auf diesem Datensatz wurde die Leistungsfähigkeit von vier gradientenfreien Metaheuristiken evaluiert: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Simulated Annealing (SA) und Tabu Search (TS). Trainiert wurde ein DQN-Agent mit einem Variational Quantum Circuit (VQC). Die Ergebnisse wurden ebenfalls mit einem gradientenbasierten Optimierer (Adam) verglichen.
Unsere Ergebnisse zeigen, dass alle Metaheuristiken die gradientenbasierte Referenz deutlich übertreffen. SA erzielte die beste Endleistung, gefolgt von TS, GA und PSO. Damit wird deutlich, dass gradientenfreie Optimierungsansätze klare Vorteile gegenüber Adam bei VQCs bieten. Dies gilt auch im Offline-Ansatz, in dem die Optimierung unter eingeschränktem Datenzugang und ohne weitere Umgebungsinteraktion erfolgen muss. Durch die Entkopplung des Trainings von Interaktionen mit der Umgebung bietet dieser Ansatz eine praktischen Möglichkeit der Skalierung von QRL-Experimenten unter realistischen Ressourcenbeschränkungen. Dies ist vor allem in Anwendungsbereichen relevant, in denen Interaktionen mit der Umgebung teuer oder sicherheitskritisch sind. Somit etabliert diese Arbeit offline QRL mit metaheuristischen Optimierungsstrategien als eine vielversprechende Forschungsrichtung, und macht zugleich auf bestehende Herausforderungen wie Distributionsverschiebung und begrenzte Konvergenz bei nur einem Datensatzdurchlauf aufmerksam.

Autor/in:

Frederik Bickel

Betreuer:

Michael Kölle, Julian Hager, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht September 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Untersuchung der Noise Resilienz von Variationellen Quantum Schaltkreisen in Reinforcement Learning Umgebungen

Untersuchung der Noise Resilienz von Variationellen Quantum Schaltkreisen in Reinforcement Learning Umgebungen

Abstract:

Diese Bachelorarbeit untersucht die Robustheit von Variational Quantum Circuits (VQCs) im Reinforcement Learning (RL) im Vergleich zu klassischen neuronalen Netzwerken unter dem Einfluss von Observation Noise. Observation Noise beschreibt hierbei die Unsicherheit, die entsteht, wenn die von einem RL-Agenten wahrgenommenen Zustände von den tatsächlichen Zuständen der Umgebung abweichen, etwa durch Sensorrauschen, Umwelteinflüsse oder gezielte adversariale Angriffe. Ein deterministischer REINFORCE-Algorithmus wird angewendet, der statt des üblichen stochastischen Samplings stets die Aktion mit der höchsten Wahrscheinlichkeit wählt. Diese methodische Entscheidung ermöglicht eine gezielte Analyse des direkten Einflusses von Observation Noise auf die Policy des Agenten, unabhängig von zufälligen Explorationseffekten. Die Robustheit wird anhand der deterministischen Variante der bekannten Reinforcement Learning-Umgebung Frozen-Lake untersucht, die um ein Observations-rauschmodell mit einer eigens designten Hot-Zone-Logik erweitert wird. Innerhalb dieser Hot-Zones erhält der Agent gezielt falsche Beobachtungen orthogonal zu seiner ursprünglichen Bewegungsrichtung. Ein klassisches neuronales Netz in Form eines Multi-Layer Perceptron (MLP) wird mit einem Variationellen Quanten Schaltkreis(VQC)verglichen. Obwohl das MLP oft schneller konvergiert, zeigt es eine volatile und nicht-monotone Leistungsentwicklung unter zunehmendem Rauscheinfluss. Dagegen demonstriert der VQC eine überlegene Stabilität mit einem vorhersagbaren Leistungsabfall, insbesondere bei höheren Rauschstufen. Die Ergebnisse weisen darauf hin, dass die strukturellen Eigenschaften von VQCs bessere Generalisierung und Robustheit gegenüber strukturiertem Observation Noise ermöglichen könnten.

Autor/in:

Justin Dominik Marinus Klein

Betreuer:

Julian Hager, Michael Kölle, Thomas Gabor, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Juli 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Zeitfensterbasierte Optimierung der Kommunikationskosten im Verteilten Quantencomputing

Zeitfensterbasierte Optimierung der Kommunikationskosten im Verteilten Quantencomputing

Abstract:

Diese Arbeit entwickelt und evaluiert eine zweistufige Optimierungsstrategie, die Kommunikationskosten in verteilten Quantenschaltkreisen senkt. Zunächst werden Quantenschaltkreise als ungerichtete Graphen modelliert und mittels Kernighan-Lin Algorithmus in zwei nahezu gleichgroße Cluster zerlegt, wodurch bis zu 60% der Schnitt-übergreifenden CNOT Kanten entfallen. Die verbleibenden Gatter werden in Zeitfenster eingeteilt. Ein heuristikbasiertes Zuweisungsverfahren priorisiert dabei Fenster mit maximaler Qubit-Überlappung und gleichmäßiger Lastverteilung. Diese Fensterstruktur reduziert die gleichzeitige Nutzung einzelner Qubits und senkt so die Kommunikationskosten zwischen Ausführungseinheiten. Die Experimente auf dem Qiskit QASM-Simulator vergleichen diese Methode mit einer linearen Baseline, in der die Gatter sequentiell und ohne Partitionierung verarbeitet werden. Die Ergebnisse zeigen, dass eine Kombination aus Graphpartitionierung und vorsichtig parametrisiertem Zeitfenster Scheduling signifikante Einsparungen ermöglicht, ohne die logische Korrektheit zu beeinträchtigen. Zukünftige Arbeiten sollten die Methode auf realer Hardware validieren, Fehlerkorrektur einbinden und adaptive, ML gestützte Fenstergrößen untersuchen.

Autor/in:

Rama Malhis

Betreuer:

Leo Sünkel, Maximilian Zorn, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht June 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Quantum Architektursuche zur Lösung von Quantum Machine Learning Problemen

Quantum Architektursuche zur Lösung von Quantum Machine Learning Problemen

Abstract:

Quantencomputing ist ein Computing Paradigma, das auf den Prinzipien der Quantenmechanik beruht. Hierdurch unterscheidet es sich fundamental vom klassischen Computing. Durch Quantencomputer erhofft man sich für ausgewählte Problembereiche einen Leistungsvorteil, sog. Quantenvorteil, der sich durch exponentiell schnellere Berechnungen oder geringeren Ressourcenbedarf zeigt. In der derzeitigen Noisy Intermediate Scale Quantum Ära ist die Quantenhardware noch in ihrer Leistungsfähigkeit beschränkt und weist eine hohe Fehleranfälligkeit auf. Variational Quantum Circuits stellen hierbei einen Ansatz dar, der vergleichsweise robust gegenüber diesen Einschränkungen ist. Die Leistung dieser Quantenschaltkreise hängt dabei stark von der zugrundeliegenden Architektur des parametrisierten Quantenschaltkreises ab. Das Entwickeln leistungsfähiger, hardwarekompatibler Schaltkreisarchitekturen ist daher eine wichtige Aufgabe, die auch als Quantum Architecture Search bekannt ist. Die manuelle Entwicklung guter Architekturen ist ein ineffizienter und fehleranfälliger Prozess. Daher wurden erste Versuche unternommen, diesen Prozess zu automatisieren. Neben den Methoden der Evolutionären Algorithmen, der Differentiable Architecture Search oder auch der Monte Carlo Tree Search, stellt das Reinforcement Learning einen weiteren potenziell geeigneten Ansatz zur Suche guter Architekturen dar, der bisher jedoch vergleichsweise wenig erforscht ist. Insbesondere für Probleme aus dem Bereich des Machine Learning ist wenig über dessen Eignung als Suchstrategie bekannt. Ziel der vorliegenden Arbeit ist daher die Untersuchung des Reinforcement Learning als eine geeignete Suchstrategie für Quantenschaltkreise im Kontext von Machine Learning Problemen. Hierfür wird der RL-QAS Framework vorgestellt, welcher unter Verwendung eines Reinforcement Learning Agenten die automatisierte Suche nach Schaltkreisarchitekturen ermöglicht. Evaluiert wird der RL-QAS Framework für das Iris und das binäre MNIST Klassifikationsproblem. Durch RL-QAS konnten dabei Architekturen gefunden werden, die eine hohe Testakkuratheit bei der Klassifizierung der genannten Datensätze erzielen und dabei gleichzeitig eine geringe Komplexität aufweisen. Durch RL-QAS konnte gezeigt werden, dass Reinforcement Learning durchaus für die Architektursuche geeignet ist. Für den Einsatz auf komplexeren Problemen ist jedoch eine Weiterentwicklung des RL QAS Frameworks erforderlich.

Autor/in:

Simon Salfer

Betreuer:

Michael Kölle, Philipp Altmann, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Juni 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Eine Empirische Evaluation von Quantum-Annealing-Basierter Bildklassifikation mittels Diskriminativer Quantum Boltzmann Maschinen

Eine Empirische Evaluation von Quantum-Annealing-Basierter Bildklassifikation mittels Diskriminativer Quantum Boltzmann Maschinen

Abstract:

Die Boltzmann Maschine (BM) diente als fundamentales Konzept für energie-basierte Modelle und neuronale Netzwerke und hatte damit großen Einfluss auf die Entwicklung künstlicher Intelligenz. Trotz ihrer historischen Bedeutung erwies sich ihre direkte Anwendung im modernen Deep Learning als zu rechenintensiv. Klassische Verfahren für den Sampling-Prozess haben sich als ineffizient herausgestellt, wodurch die Verarbeitung hochdimensionaler Daten nahezu unmöglich wurde. Aus diesem Grund wurde alternativ die Restricted Boltzmann Maschine (RBM) eingeführt, die eine niedrigere Ausdruckskraft im Gegenzug zu effizienteren Berechnungen tauscht. Quantum Boltzmann Maschinen (QBMs) hingegen können mithilfe von Quanten Algorithmen, wie Quantum Annealing (QA), effizient aus einer approximativen Boltzmann Verteilung sampeln. Empirische Studien deuten darauf hin, dass dieser Ansatz einen effizienteren Sampling-Prozess als klassische Methoden ermöglicht. Dies würde eine effektivere Erkundung von Energielandschaften bei gleichzeitig geringeren Rechenaufwand zulassen. Darüber hinaus erlaubt diese Herangehensweise eine vollständige Verknüpfung der Neuronen miteinander, sodass die ursprüngliche Ausdruckskraft des Models erhalten bleibt. Soweit dem Autor bekannt ist, wurde das Potenzial von QBMs im Bereich des Supervised Learnings bislang nur in wenigen Studien untersucht. Das gilt insbesondere nicht nur für den anwendungsorientierten Bereich, sondern auch in Hinblick unter Verwendung realer QA-Hardware. Deshalb ist es das primäre Ziel dieser Arbeit, das praktische Potential von QBMs für Bildklassifizierung mit praxisnahen Daten zu evaluieren. Hierfür werden diskriminative QBMs eingesetzt, welche durchgehend Daten an die Input-Units binden und somit die bedingte Wahrscheinlichkeit eines Labels gegeben eines Datenpunktes ermitteln können. Um die nötige Quantum Processing Unit (QPU) Zeit zu reduzieren, präsentiert diese Arbeit eine neue Strategie um die QBM auf der Topologie der QA-Hardware zu embedden. Die erzielten Ergebnisse demonstrieren eine kompetitive Leistung im Vergleich zu klassischen durch Simulated Annealing trainierten diskriminativen BMs und diskriminativen RBMs. Zusätzlich deuten die Ergebnisse ebenfalls auf eine reduzierte Anzahl an nötigen Trainings-Epochen. Darüber hinaus konnte die Sampling-Zeit mit der neuen Embedding-Strategie im Durchschnitt um 69,65% reduziert werden.

Autor/in:

Mark Vorapong Seebode

Betreuer:

Jonas Stein, Daniëlle Schuman, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Juni 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Quantum Transformer: Nutzung Variationeller Quantenschaltkreise zur Natürlichen Sprachverarbeitung

Quantum Transformer: Nutzung Variationeller Quantenschaltkreise zur Natürlichen Sprachverarbeitung

Abstract:

Jüngste Fortschritte im Bereich großer Sprachmodelle haben Transformermodelle als dominantes Paradigma in der natürlichen Sprachverarbeitung etabliert. Während diese Modelle Spitzenleistungen erzielen, führt ihr exponentielles Wachstum in Bezug auf Parameteranzahl und Rechenaufwand zu zunehmenden Bedenken hinsichtlich Skalierbarkeit, Energieverbrauch und ökologischer Nachhaltigkeit. Parallel dazu hat sich Quantum Machine Learning als vielversprechendes Forschungsfeld herausgebildet, das untersucht, ob Quantencomputing effizientere Lernmechanismen bieten kann, insbesondere durch den Einsatz von parametrisierten Quantenschaltkreisen, die mit vergleichsweise wenigen Parametern wettbewerbsfähige Leistungen zeigen. Diese Arbeit untersucht, ob sich ein Quanten-Transformermodell entwerfen lässt, das die klassische Transformerarchitektur strukturell nachbildet und gleichzeitig auf Noisy Intermediate-Scale Quantum Hardware ausführbar bleibt. Zu diesem Zweck wird eine modulare, NISQ-kompatible Quanten-Transformerarchitektur vorgestellt, die die zentralen klassische Komponenten Embedding, Multi-Head Attention und Encoder-Decoder-Struktur mithilfe von VQCs realisiert. Jede Komponente wird mit flachen, stark verschränkenden Quantenschaltkreisen implementiert, um Schaltkreistiefe und Parameteranzahl zu minimieren. Das Modell wird anhand synthetischer Sprachmodellierungsaufgaben evaluiert, wobei Quanten- und klassische Varianten unter gleichen Bedingungen, einschließlich identischer Token-Vokabulare und äquivalenter Parameterbudgets verglichen werden. Die Ergebnisse zeigen, dass das Quantenmodell in der Lage ist, einfache formale Sprachen zu erlernen, schnell zu konvergieren und in bestimmten Konfigurationen deterministische Tokenfolgen perfekt zu rekonstruieren. Bei komplexeren Aufgaben, die Generalisierungsfähigkeit erfordern, bleibt die Leistung jedoch hinter der klassischer Modelle zurück. Diese Ergebnisse demonstrieren die prinzipielle Durchführbarkeit der vorgeschlagenen Architektur auf nahzeitlicher Hardware und positionieren das Modell als Machbarkeitsnachweis für das Potenzial von Encoder-Decoder-Quantum-Transformern in der Sprachverarbeitung.

Autor/in:

Julian Hager

Betreuer:

Michael Kölle, Gerhard Stenzel, Thomas Gabor, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Juni 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Verwendung evolutionärer Algorithmen zur Optimierung von Quantenschaltkreisen unter der Berücksichtigung von Noise

Verwendung evolutionärer Algorithmen zur Optimierung von Quantenschaltkreisen unter der Berücksichtigung von Noise

Abstract:

Noise stellt eine allgegenwärtige Herausforderung in der NISQ-Ära des Quantum Computings dar. Seine starke Auswirkung auf die Hardware eines Quantencomputers verfälscht die Ergebnisse von Quantenschaltkreisen, insbesondere bei steigender Qubitanzahl und Schaltkreistiefe. Verschiedene Schaltkreisarchitekturen, die ähnliche Zustände erzeugen, können allerdings unterschiedlich starkem Noise ausgesetzt sein. Diese Arbeit präsentiert einen evolutionären Algorithmus, dessen Ziel es ist, für einen gegebenen Schaltkreis einen äquivalenten, weniger noisy Schaltkreis zu finden. Die Fitnessfunktion des Algorithmus bewertet dabei die Schaltkreise anhand ihrer unter Noise betrachteten Fidelität im Vergleich zum Noise-freien Zustand des Zielschaltkreises. So wird der Evolutionsverlauf in Richtung einer Noise-reduzierten Lösung gelenkt. Die Ergebnisse der durchgeführten Experimente zeigen, dass der Algorithmus die parallel erstellte Random Baseline überwiegend übertraf und in einigen Fällen einen optimierten Schaltkreis im Vergleich zum Zielschaltkreis finden konnte. Dadurch zeigt sich das Potential evolutionärer Algorithmen zur Noise-Reduktion. Die Skalierbarkeit des vorgestellten Algorithmus ist jedoch stark begrenzt.

Autor/in:

Maria Trainer

Betreuer:

Leo Sünkel, Maximilian Zorn, Thomas Gabor, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Mai 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Emergente Kooperation in Quantum Multi-Agenten Reinforcement Learning mittels Kommunikation

Emergente Kooperation in Quantum Multi-Agenten Reinforcement Learning mittels Kommunikation

Abstract:

Emergente Kooperation im klassischen Multi-Agent Reinforcement Learning hat große Aufmerksamkeit erlangt, insbesondere im Zusammenhang mit sequenziellen sozialen Dilemmas. Während klassische Reinforcement Learning Ansätze gezeigt haben, dass sie zu emergenter Kooperation fähig sind, ist die Forschung zur Erweiterung dieser Methoden auf das aufstrebende Gebiet des Quantum Multi-Agent Reinforcement Learning noch begrenzt, insbesondere mit dem Einsatz von Kommunikation. In dieser Arbeit wenden wir das zweistufige Kommunikationsprotokoll Mutual Acknowledgment Token Exchange (MATE), seine Erweiterung Mutually Endorsed Distributed Incentive Acknowledgment Token Exchange (MEDIATE), den Peer-Rewarding Mechanismus Gifting und Reinforced Inter-Agent Learning (RIAL), einen Ansatz zum Erlernen eines diskreten Kommunikationsprotokolls, auf Quantum Q-Learning an. Wir bewerten die resultierenden acht Ansätze hinsichtlich ihrer Auswirkungen auf emergente Kooperation in drei sequenziellen sozialen Dilemmas, nämlich dem iterierten Prisoner’s Dilemma, der iterierten Stag Hunt und dem iterierten Game of Chicken. Unsere experimentellen Ergebnisse zeigen, dass die Ansätze MATETD, AutoMATE, MEDIATE-I and MEDIATE-S ein hohes Maß an Kooperation in allen drei sequenziellen sozialen Dilemmas erreichten, was beweist, dass Kommunikation eine mögliche Methode ist, um emergente Kooperation in Quantum Multi-Agent Reinforcement Learning zu erreichen.

Autor/in:

Christian Reff

Betreuer:

Michael Kölle, Leo Sünkel, Claudia Linnhoff-Popien

Studentische Abschlussarbeit | Veröffentlicht Mai 2025 | Copyright © QAR-Lab
Anfragen zu dieser Arbeit an die Betreuer


Page 1 of 6