Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWMQuantencomputing (QC) und Maschinelles Lernen (ML) sind Schlüsseltechnologien, die unsere Technologielandschaft in den kommenden Dekaden maßgeblich prägen werden – und es teilweise heute schon tun. Um auf diesen Gebieten konkurrenzfähige Resultate zu erzielen, sind hochqualifizierte Expertinnen und Experten notwendig, welche in beiden Schwerpunkte Wissen aufweisen. Das Modul deckt Themen in der Schnittmenge aus Quantencomputing und Maschinellem Lernen ab. Es richtet sich sowohl an Personen mit Quantencomputing-Hintergrund als auch an Personen mit einem Hintergrund im Bereich Data Science. Die Teilnehmenden erlangen die Fähigkeit Maschinelles Lernen mit Quantencomputern erfolgreich anzuwenden. Dazu werden zahlreiche aktuelle Methoden präsentiert, die es ermöglichen, auf zukünftige Hardware-Fortschritte zu reagieren und eigenständig neue QML-Algorithmen zu entwickeln. Die vermittelten Konzepte illustrieren wir mit einer Vielzahl von Fallbeispielen aus realen Anwendungen und Projekten. Ein großer Teil des Kurses dient dazu, das Erlernte mit praktischen Anwendungsbeispielen weiter zu vertiefen.
Einführung in Quantum Machine Learning
Zertifizierter Data Scientist spezialisiert in Quantum Machine Learning
Nach erfolgreichem Abschluss dieses Moduls haben die Teilnehmenden die folgenden Lernergebnisse erworben:
Lernziele
Die Teilnehmenden
- kennen die formalen Grundbegriffe des Quantencomputings (Quantenzustand, Bit vs. Qubit, Messung).
- kennen die formalen Grundbegriffe des Maschinellen Lernens (Zielfunktion, Modellklasse, Kreuzvalidierung, Kernfunktion).
- lernen Ideen und Bausteine von Quantencomputing für QML-Probleme zu verwenden.
Wissen und Verstehen
Die Teilnehmenden
- können die Quantum Support Vector Machine Methode beschreiben und in Anwendungsfällen verwenden.
- verstehen die Stärken, Schwächen und Grenzen aktueller QML-Verfahren.
Fähigkeiten und Fertigkeiten
Die Teilnehmenden
- können Quantenschaltkreise lesen und selbstständig erstellen.
- sind in der Lage Daten auf den Quantencomputer zu enkodieren und das Encoding anschließend zu analysieren.
- sind in der Lage hybride quanten-klassische Optimierungsalgorithmen (z.B. Variationellen Quanten Eigensolver (VQE) und Quadratic Unconstrained Binary Optimization (QUBO)) anzuwenden.
- sind in der Lage Quanten Clustering Algorithmen zu erstellen und in praktischen Beispielen zu implementieren.
Projekt-Partner
- Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM(Koordinator und Content-Ersteller)
- Fraunhofer Institut für Offene Kommunikationssysteme FOKUS(Content-Ersteller)
- Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS(Content-Ersteller)
- Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA (Content-Ersteller)
- Fraunhofer Zertifizierungsstelle FIT (Fraunhofer-Institut für Angewandte Informationstechnik)
Zielgruppe
- Fachleute mir Schwerpunkt »Data Science« und »Maschinelles Lernen«
- Mitarbeitende von Technologieunternehmen, wie z.B. Pharmazie- und Chemieunternehmen
- Mitarbeitende von Regierungsbehörden, die sich für potenzielle Anwendungen in den Schwerpunkten »Kryptografie« und »Cybersicherheit« interessieren
- Mitarbeitende von Forschungseinrichtungen sowie Studierende, die einen Masterabschluss oder eine Promotion in Fachbereichen wie Informatik, Physik, Mathematik oder Data Science anstreben, und sich darüber hinaus auf den aktuellen Stand im Bereich QML bringen möchten
- Mitarbeitende von Forschungseinrichtungen sowie Studierende, die Vorerfahrungen im Bereich Quantencomputing haben
Für die Teilnehmenden besteht die Möglichkeit, nach Ende der Weiterbildung durch Abschluss einer Prüfung ein Personenzertifikat zu erhalten. Das Zertifikat gilt als Einordnung des Wissenstandes sowie als Nachweis der Fähigkeit, mit Quantencomputern im Bereich Quantum Machine Learning umzugehen. Die Teilnehmenden können durch das Zertifikat für zukünftige Jobs ein standarisiertes Dokument vorlegen, welches den Umgang und speziell auch die praktische Umsetzung von Quantencomputing bescheinigt.
Themen
Unit 1
- Part 1: Grundlagen des Maschinellen Lernens / Data Science
- Datenvorverarbeitung
- Featureräume
- Überwachtes (supervised) und unüberwachtes (unsupervised) Lernen
- Beispielprobleme: Klassifikation, Clusteranalyse
- Komplexität
- Evaluation
- Part 2: Quantencomputing
- Grundlegende theoretische Konzepte
- Verschiedene Paradigmen: Quantengatter und adiabatisch
- Quanten-Fourier-Transformation
- Quadratische unrestringierte binäre Optimierung (QUBO)
- Vorteile gegenüber klassischen Verfahren
Unit 2
- Parametrisierte Quantenschaltkreise
- Datenenkodierung
- Analyse von parametrisierten Quantenschaltkreisen
Unit 3
- Clusteranalyse für Quantencomputing
- Grover’s Algorithmus
- Quantum k-Means
- SWAP-Test
Unit 4
- Klassische Support Vector Machine und Kernel Trick
- Quanten Feature Maps
- Training von Quantenkernels, Kernel-Alignment
- Kernel-basiertes vs. variationelles Training bezüglich Schaltkreisauswertungen
Unit 5
- Neuronale Netzwerke
- Quantum-neuronale Netzwerke (QNNs)
- Anwendungsgebiete von QNNs
- Potentielle Vorteile von QNNs