Post by PlatinA

Forschende haben erstmals ein Quanten-Neuronales Netzwerk direkt auf Quantenhardware trainiert! Ein Forschungsteam der Université Paris Signals hat ein neues Framework für Quantum Machine Learning entwickelt, das das direkte Training neuronaler Netze auf Quantenhardware ermöglicht und gleichzeitig den Rechenaufwand drastisch reduziert. Key Points: --> Die Komplexität der Gradientenberechnung wird von quadratischer auf logarithmische Skalierung reduziert. In einem 128-Qubit-Beispiel sank die Anzahl der notwendigen Schaltungsauswertungen von 1.792 auf lediglich 28. --> Möglich wird dies durch die Kombination von drei Innovationen: einer Butterfly-Schaltungsarchitektur, schichtweisem Training und einer parallelisierten Parameter-Shift-Methode zur Gradientenberechnung. --> Das Training wurde direkt auf den Trapped-Ion-Quantencomputern von IonQ durchgeführt – ohne den Umweg über aufwendige Simulationen. --> In einer Anwendung auf klinische Gesundheitsdaten erreichte das hybride Quantenmodell eine Leistung auf dem Niveau führender klassischer Machine-Learning-Verfahren. --> Die Forschung adressiert eine der größten Herausforderungen im Bereich Quantum AI: das effiziente Training von Modellen bei steigender Anzahl von Qubits. Mit der zunehmenden Leistungsfähigkeit von Quantenhardware könnten solche Ansätze entscheidend dazu beitragen, Quantum Machine Learning aus der Forschung in reale Anwendungen zu überführen. siehe : https://lnkd.in/d97vrDMe #QuantumComputing #QuantumAI #MachineLearning #ArtificialIntelligence #IonQ #QuantumMachineLearning #DeepTech #Innovation #FutureTech