Kuantum Makine Öğrenimi

Beklenen Sonuç:

• Veri yoğun veya hesaplama açısından yoğun görevler için kuantum hesaplamanın veri ön işleme boru hatlarına ve öğrenme iş akışlarına entegrasyonu, NISQ dönemi cihazlarla ulaşılabilir ölçeklerde işlem hızında, hesaplama karmaşıklığında, modelleme doğruluğunda ve azaltılmış örnek gereksinimlerinde belirgin iyileşmeler gösterilmesi,
• Mevcut yapay zeka çerçeveleri ve boru hatları ile entegre, daha hızlı veri işleme, geliştirilmiş tahmin doğruluğu ve artırılmış hesaplama yetenekleri sağlayan güvenilir ve ölçeklenebilir Kuantum Makine Öğrenimi (QML) modelleri ve algoritmaları,
• Hız, doğruluk, veri verimliliği, karmaşıklık veya ölçeklenebilirlik açısından klasik temellere göre ölçülebilir iyileşmeler gösteren, titiz kıyaslama ve karmaşıklık analizi ile desteklenen doğrulanmış kuantum destekli yapay zeka yöntemleri,
• Hata azaltma stratejileri ve gerçek kuantum işlemcilerde güvenilirliği, performansı ve tekrarlanabilirliği artıran algoritmik adaptasyonlar dahil olmak üzere, NISQ donanımına uygun sağlam, gürültüye duyarlı QML teknikleri,
• QML'nin gerçek dünya zorlukları için (örn. iklim ve çevre modellemesi, Dünya gözlemi, sağlık ve yaşam bilimleri, malzeme keşfi, finans, robotik, üretim ve siber güvenlik) alaka düzeyini gösteren göstericiler veya kavram kanıtı uygulamaları,
• Sektörler arası işbirliği, bilgi transferi ve gelişmekte olan standartlara, kıyaslamalara ve en iyi uygulamalara katkılarla desteklenen kuantum hesaplama ve güvenilir yapay zekada güçlendirilmiş Avrupa liderliği ve teknolojik egemenliği.
• Kuantum hesaplama, makine öğrenimi ve uygulama alanları arasında geliştirilmiş işbirliği, koordineli bir Avrupa QML araştırma ve inovasyon topluluğunun teşvik edilmesi.

Kapsam:

Tekliflerin, hem bilimsel mükemmelliği hem de endüstriyel alaka düzeyini hedefleyerek Kuantum Makine Öğrenimi (QML) alanındaki birden fazla ana araştırma yönünü ele alması beklenmektedir. Teklifler, kuantum destekli yapay zeka yaklaşımlarının geliştirilmesine, doğrulanmasına ve gösterilmesine nasıl katkıda bulunulacağını ve pratik uygulamalara yönelik net yolları açıkça belirtmelidir. Önerilen çalışma, Avrupa'nın kuantum hesaplama alanındaki bilimsel ve teknolojik yeteneklerini güçlendirmeli ve kuantum destekli yapay zeka çözümlerinin endüstriyel olarak benimsenmesini hızlandırmalıdır.

Faaliyetler şunları içerebilir, ancak bunlarla sınırlı değildir:

• kuantum, kuantumdan ilham alan veya hibrit QML algoritmalarının tasarımı ve analizi,
• kuantum destekli yapay zeka yöntemlerinin performans modellemesi, karmaşıklık analizi ve kıyaslaması,
• QML iş yüklerine özel hata azaltma ve gürültüye duyarlı stratejilerin geliştirilmesi,

Teklifler, büyük ölçekli, hesaplama açısından yoğun sorunları ele alabilen ölçeklenebilir QML algoritmalarını ilerletmelidir, bu şunları içeren yaklaşımları içerir:

• büyük veri hacimlerini ve karmaşık hesaplama görevlerini yönetebilir,
• ilgili uygulama alanlarında (örn. hidrolojik araştırma, iklim modellemesi, uydu uzaktan algılamadan arazi sınıflandırması, ilaç keşfi ve görüntü tabanlı tıbbi teşhis) daha hızlı veri işleme ve geliştirilmiş tahmin performansı sağlayabilir.

Birçok mevcut QML yöntemi, klasik algoritmalardan yakından ilham almaya devam etmekte ve bu nedenle henüz gerçek kuantum avantajı elde edememektedir, bu da aşağıdakilerde daha fazla gelişme gerektirmektedir:

• kuantum-yerel öğrenme modelleri,
• verimli kuantum çekirdekleri ve kuantum özellik eşlemeleri,
• klasik yaklaşımlara göre kanıtlanabilir veya ampirik avantajlar gösteren algoritmalar.

Teklifler ayrıca resmi karmaşıklık analizlerini, kuantum hızlandırmadan faydalanabilecek problem sınıflarının belirlenmesini de içerebilir.

Gelişmeler, aşağıdaki ana araştırma yönlerinden birkaçını ele almalıdır…