Quanten-Maschinelles Lernen

Erwartetes Ergebnis:

• Integration von Quantencomputing in Datenvorverarbeitungs-Pipelines und Lern-Workflows für datenintensive oder rechenintensive Aufgaben, die deutliche Verbesserungen bei der Verarbeitungsgeschwindigkeit, der rechnerischen Komplexität, der Modellierungsgenauigkeit und einem reduzierten Stichprobenbedarf in Größenordnungen zeigen, die mit NISQ-Geräten erreichbar sind.
• Zuverlässige und skalierbare Quanten-Maschinelles-Lernen (QML)-Modelle und -Algorithmen, integriert in bestehende KI-Frameworks und -Pipelines, die eine schnellere Datenverarbeitung, verbesserte Vorhersagegenauigkeit und erweiterte Rechenfähigkeiten ermöglichen.
• Validierte quantenverstärkte KI-Methoden, die messbare Verbesserungen gegenüber klassischen Baselines in Bezug auf Geschwindigkeit, Genauigkeit, Dateneffizienz, Komplexität oder Skalierbarkeit aufweisen, unterstützt durch rigorose Benchmarking- und Komplexitätsanalysen.
• Robuste, rauschbewusste QML-Techniken, die für NISQ-Hardware geeignet sind, einschließlich Fehler-Minderungsstrategien und algorithmischer Anpassungen, die die Zuverlässigkeit, Leistung und Reproduzierbarkeit auf realen Quantenprozessoren verbessern.
• Demonstratoren oder Proof-of-Concept-Anwendungen, die die Relevanz von QML für reale Herausforderungen aufzeigen (z. B. Klima- und Umweltmodellierung, Erdbeobachtung, Gesundheitswesen und Biowissenschaften, Materialentdeckung, Finanzen, Robotik, Fertigung und Cybersicherheit).
• Stärkung der europäischen Führungsposition und technologischen Souveränität im Quantencomputing und vertrauenswürdiger KI, unterstützt durch sektorübergreifende Zusammenarbeit, Wissenstransfer und Beiträge zu neuen Standards, Benchmarks und Best Practices.
• Verbesserte Zusammenarbeit zwischen Quantencomputing, maschinellem Lernen und Anwendungsbereichen, die eine koordinierte europäische QML-Forschungs- und Innovationsgemeinschaft fördert.

Umfang:

Es wird erwartet, dass Vorschläge mehrere Schlüsselforschungsrichtungen im Quanten-Maschinellen Lernen (QML) adressieren, die sowohl wissenschaftliche Exzellenz als auch industrielle Relevanz zum Ziel haben. Vorschläge sollten klar darlegen, wie sie zur Entwicklung, Validierung und Demonstration von quantenverstärkten KI-Ansätzen beitragen, mit klaren Wegen zu praktischen Anwendungen. Die vorgeschlagene Arbeit sollte Europas wissenschaftliche und technologische Fähigkeiten im Quantencomputing stärken und die industrielle Nutzung von quantenverstärkten KI-Lösungen beschleunigen.

Aktivitäten können unter anderem umfassen:

• Design und Analyse von quanten-, quanteninspirierten oder hybriden QML-Algorithmen,
• Leistungsmodellierung, Komplexitätsanalyse und Benchmarking von quantenverstärkten KI-Methoden,
• Entwicklung von Fehler-Minderungs- und rauschbewussten Strategien, die auf QML-Workloads zugeschnitten sind.

Vorschläge sollten skalierbare QML-Algorithmen vorantreiben, die in der Lage sind, große, rechenintensive Probleme zu lösen. Dies umfasst Ansätze, die

• massive Datenmengen und komplexe Rechenaufgaben verwalten können,
• eine schnellere Datenverarbeitung und verbesserte Vorhersageleistung in relevanten Anwendungsbereichen ermöglichen (z. B. hydrologische Forschung, Klimamodellierung, Geländeklassifizierung aus Satellitenfernerkundung, Arzneimittelentdeckung und bildbasierte medizinische Diagnose).

Viele aktuelle QML-Methoden sind noch stark von klassischen Algorithmen inspiriert und erreichen daher noch keinen echten Quantenvorteil, was weitere Entwicklungen erfordert in

• quantennativen Lernmodellen,
• effizienten Quantenkernen und Quanten-Feature-Mappings,
• Algorithmen, die nachweisbare oder empirische Vorteile gegenüber klassischen Ansätzen aufweisen.

Vorschläge können auch formale Komplexitätsanalysen und die Identifizierung von Problemklassen umfassen, die von der Quantenbeschleunigung profitieren können.

Entwicklungen sollten mehrere der folgenden Schlüsselforschungsrichtungen adressieren…