Student-Abstracts

a:3:{s:6:"locale";s:5:"de_DE";s:3:"rtl";i:0;s:9:"flag_code";s:2:"de";}
Einfluss von Embedding Methoden auf Generalisierbarkeit in Quantum Machine Learning

Einfluss von Embedding Methoden auf Generalisierbarkeit in Quantum Machine Learning

Abstract:

Quantum Machine Learning ist ein vielversprechendes Anwendungsgebiet für Quantum Computer. Um aber reale Vorteile gegenüber klassischen Computern zu sehen, benö- tigt es ausgereifte Quantum Grundlagen. Ein Grundbaustein von Quantum Computern sind Embeddings, welche reelle Daten in Quantum Daten umwandeln. In dieser Arbeit stehen der Einfluss verschiedener Embedding-Methoden auf die ”Qualität” eines Quantum Machine Learning Modells im Mittelpunkt. Da der Fokus auf diesen Embeddings liegt, werden Modell und Quantum Circuit simpel gehalten. Sie lösen ein binäres Klassifikationsproblem. Dennoch ist auch das Zusammenspiel von bestimmten Embeddings mit verschiedenen Circuits von Interesse und darauf wird in dieser Arbeit knapp eingegangen. Da in der Literatur bereits viel zu den Embedding-Methoden ”Angle-Embedding” und ”Amplitude-Embedding” existiert, fokussiert diese Arbeit auch auf andere Embedding- Methoden aus der Literatur. Zum Bestimmen der Qualität eines Modells untersuchten wir die Generalisierbarkeit. Dazu wurden verschiedene Maße aus dem klassischen Machine Learning verwendet. Es konnte zwar die Frage nach einem besten Embedding nicht beantwortet werden, dennoch konnten interessante Erkenntnisse zu den Auswirkungen der Embeddings bei unterschiedlichen Datensätzen gewonnen werden.

Autor/in:

Steffen Brandenburg

Betreuer:

Leo Sünkel, Thomas Gabor, Claudia Linnhoff-Popien

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


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


Page 5 of 5