Abstracts-QAI

a:3:{s:6:"locale";s:5:"de_DE";s:3:"rtl";i:0;s:9:"flag_code";s:2:"de";}
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


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


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


Ermittlung von Verknüpfungen in Produktdaten mittels Quantum Restricted Boltzmann Machines

Ermittlung von Verknüpfungen in Produktdaten mittels Quantum Restricted Boltzmann Machines

Abstract:

Der steigende Softwareanteil in Produkten treibt nicht nur Innovationen voran, sondern erhöht auch die Komplexität. Um das Risiko von Fehlfunktionen in softwarelastigen Produkten zu minimieren und die Rückverfolgbarkeit zu gewährleisten, sind Verknüpfungen zwischen Entwicklungsschritten und Produktionsdaten notwendig. Diese werden durch Regularien wie ISO/IEC 15288 und DIN/ISO 26262 vorgeschrieben. Der Standard Digital Data Package ermöglicht die Verwaltung solcher Verknüpfungen. Jedoch können implizite Verknüpfungen derzeit nur manuell erstellt werden, was aufgrund des Umfangs und der zahlreichen Produktänderungen zu Problemen führt. Ein vielversprechender Ansatz zur automatischen Ermittlung von Verknüpfungen ist der Einsatz von Klassifikatoren. Insbesondere Quantum Restricted Boltzmann Machines bieten aufgrund der geringen Verfügbarkeit verknüpfter Entwicklungsdaten und deren hoher Störanfälligkeit einen vielversprechenden Ansatz. Zur Evaluierung werden klassische neuronale Netze und vortrainierte Klassifikatoren herangezogen. Sie sind etablierte Methoden in der Mustererkennung und dienen als Vergleichsgrundlage für neue Klassifikatoren.

Autor/in:

Simon Hehnen

Betreuer:

Michael Kölle, Jonas Stein, Dr. Fabrice Mogo Nem (PROSTEP AG), Claudia Linnhoff-Popien

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


Emergente Kooperation durch Quanten Verschränkung in Multi-Agenten-Systemen

Emergente Kooperation durch Quanten Verschränkung in Multi-Agenten-Systemen

Abstract:

Diese Arbeit untersucht die Durchführbarkeit der Quantenverschränkung zur Verbesserung der Kooperation im Multi-Agenten Reinforcement Learning. Unter Verwendung des iterierten Gefangenendilemmas als Benchmark, schlagen wir ein dezentralisiertes Multi-Agenten Reinforcement Learning (MARL) vor in dem zwei Agenten, die mit variablen Quantenschaltungen ausgestattet sind, sich gegenseitig durch Quantenverschränkung beeinflussen können. Im Gegensatz zu existierenden Ansätzen, die sich auf dedizierte Quanten-Kommunikationskanäle angewiesen sind, wird in dieser Arbeit untersucht, ob die Verschränkung allein kooperative Gleichgewichte ermöglichen kann. Daher evaluieren wir die Auswirkungen verschiedener Verschränkungs-Architekturen, um kooperative Strategien zu entwickeln, die dem Nash-Gleichgewicht entgehen. Die Ergebnisse unserer Experimente zeigen, dass Verschränkung zwar Strategien ermöglichen kann Verschränkung zwar Strategien ermöglicht, die besser sind als die gegenseitige Defekt-Strategie, aber langfristig kooperatives Verhalten nicht möglich ist. Das deutet darauf hin, dass Quantenkorrelationen allein nicht ausreichen, um kooperative Strategien in Multi-Agenten Reinforcement Learning aufrechtzuerhalten.

Autor/in:

Marvin Heinrich

Betreuer:

Michael Kölle, Leo Sünkel, Claudia Linnhoff-Popien

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


Verteiltes Quantum Machine Learning – Training und Auswertung eines ML Modells auf einem verteilten Quantencomputer Simulator

Verteiltes Quantum Machine Learning – Training und Auswertung eines ML Modells auf einem verteilten Quantencomputer Simulator

Abstract:

Die Anzahl der Qubits, die auf einem Quantencomputer zur Verfügung stehen, stellt in der Regel eine Einschränkung für das Training und die Ausführung von Quantum-Machine-Learning-Modellen dar. Eine mögliche Lösung dieses Problems besteht darin, das Modell auf mehrere Quantumcomputer aufzuteilen und verteilt auszuführen. Dieser Ansatz wird als Distributed Quantum Machine Learning (DQML) bezeichnet. Dadurch kann eine größere Anzahl von Qubits verwendet werden, was das Training größerer Modelle ermöglicht oder die Klassifikationsleistung verbessern kann. Allerdings erfordert die Kommunikation zwischen den einzelnen Quantencomputern erhebliche klassische und quantenmechanische Ressourcen, was zu einem hohen Rechenaufwand und verlängerten Trainingszeiten führt. Um diesen Ansatz und seine Grenzen zu untersuchen, wird in dieser Arbeit ein DQML-Modell vorgestellt, das unter Verwendung des verteilten Quanten-Frameworks NetQASM implementiert wurde und dessen Architektur aus einem klassischen Server sowie zwei Quanten-Clients besteht. Das Modell wurde auf Datensätzen mit zwei und vier Merkmalen auf einem Quantennetzwerk-Simulator trainiert und evaluiert. Es erreichte eine vergleichbare Klassifikationsleistung wie ein zentralisiertes Quanten- Baseline-Modell. Um den Kommunikationsaufwand, der zu Trainingszeiten von 50 bis 500 Minuten pro Trainingsepisode führte, zu verringern, wurden Optimierungen an der Schaltungsarchitektur, der Erzeugung verschränkter Zustände und der verteilten Quantengatterausführung implementiert und evaluiert. Dadurch konnte die Laufzeit des Modells bei vergleichbarer Klassifikationsgenauigkeit um bis zu 60% reduziert werden.

Autor/in:

Kian Izadi

Betreuer:

Leo Sünkel, Michael Kölle, Thomas Gabor, Claudia Linnhoff-Popien

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


QUBO-Generierung für (MAX-)3SAT mittels generativer KI-Methoden

QUBO-Generierung für (MAX-)3SAT mittels generativer KI-Methoden

Abstract:

Das Erstellen von QUBOs für 3-SAT Formeln mittels Pattern QUBOs bringt einige Herausforderungen. Das generieren der Pattern QUBOs und die Erstellung der QUBO ist aufgrund des Brute-Force Ansatzes technisch aufwendig. In dieser Arbeit werden zwei Machine Learning Ansätze für die QUBO Generierung gegeben einer 3-SAT Formel getestet. Für das Encoden der Formeln und Matrizen wurden verschiedene Encodings untersucht. Zu den Formel Encodings zählen Vektor, Word2Vec und BERT. Auf QUBOs wurden latent Repräsentationen getestet. Als Startmodell dient ein conditional Autoencoder. Variationen wie 2-Encoder, vortrainierte Encoder basierend auf einem RESNET18 wurden ebenso getestet. Für 1 Klausel Formeln konnten akkurate QUBOs generiert werden, für untersuchte Formeln mit bis zu 4 Klauseln überschneiden sich die Energien der Lösung- und Restzustände. Letztens wurde ein conditional Diffusion Modell aufgesetzt und mit Vektor, Word2Vec und BERT Formel Embeddings auf 5 und 7 random Klauseln trainiert. Mit BERT Formel Embeddings konnten mit den erstellten QUBOs durchschnittlich die meisten Klauseln einer Formel erfüllt werden. Die Formeln blieben aber zum Großteil ungelöst. Mit maskierten Training für Diffusion kann das Training noch verbessert werden. Es konnte im Durchschnitt mit Masken generierten QUBOs eine Klausel mehr erfüllt werden. Dies verlangt als Input eine vordefinierte Maske in der Datengeneration. Als Hauptgrund für die Ergebnisse kann die spärliche QUBO Datenstruktur und die Schwierigkeit für das Erstellen einer 3-SAT Formel Kodierung verantwortlich gemacht werden.

Autor/in:

Philippe Wehr

Betreuer:

Sebastian Zielinski, Michael Kölle, Claudia Linnhoff-Popien

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


Bewertung parameterbasierter Trainingsleistungen von neuronalen Netzen und variationellen Quantum Circuits

Bewertung parameterbasierter Trainingsleistungen von neuronalen Netzen und variationellen Quantum Circuits

Abstract:

In den vergangenen Jahren haben neuronale Netze (NN) bei den bedeutenden Fortschritten im Bereich des maschinellen Lernens eine zentrale Rolle gespielt. Mit zunehmender Komplexität der Aufgaben des maschinellen Lernens steigt die Anzahl an trainierbaren Parametern für NNs, was einen hohen Rechen- und Energiebedarf zur Folge hat. Variationale Quantum Circuits (VQC) sind eine vielversprechende Alternative. Sie nutzen quantenmechanische Konzepte, um komplexe Beziehungen zu modellieren und benötigen im Vergleich zu NNs tendenziell weniger trainierbare Parameter. In dieser Arbeit wird die Trainingsleistung von NNs und VQCs anhand von einfachen Supervised Learning und Reinforcement Learning Aufgaben evaluiert und verglichen, wobei jeweils mehrere Modelle mit verschiedenen Parameterzahlen betrachtet werden. Die Experimente mit VQCs werden mit einem Simulator durchgeführt. Um zu ermitteln, wie lange das Trainieren der VQCs mit derzeit verfügbarer echter Quantenhardware dauern würde, werden ausgewählte Teile des Trainings mit einem echten Quantencomputer ausgeführt. Die Ergebnisse bestätigen, dass VQCs vergleichbare Leistung wie NNs erzielen können und dabei deutlich weniger Parameter benötigen. Trotz längerer Trainingszeiten deuten die Ergebnisse darauf hin, dass VQCs für bestimmte Aufgaben des maschinellen Lernens von Vorteil sein können, insbesondere wenn sich Quantentechnologie weiterhin rapide entwickelt, Algorithmen optimiert und VQC-Architekturen verbessert werden.

Autor/in:

Alexander Feist

Betreuer:

Michael Kölle, Jonas Stein, Claudia Linnhoff-Popien

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


Page 1 of 3