Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Quantum Convolutional Neural Networks for Jet Images Classification

Hala Elhag

Published May 20, 2026• 0 citations
Publisher

Abstract

Quantencomputing hat in jüngster Zeit aufgrund seiner potenziellen Vorteile gegenüber klassischer Berechnung in bestimmten Anwendungsbereichen zunehmend an Interesse gewonnen. Eine zentrale Anwendung ist das Quantenmaschinelle Lernen (QML), das darauf abzielt, quantenmechanische Prinzipien zu nutzen, um klassische Methoden in ausgewählten Aufgaben zu übertreffen. Motiviert durch ein Klassifikationsproblem in der Suche nach neuer Physik, insbesondere dem Top-Tagging, untersucht diese Arbeit die Leistungsfähigkeit von QML im Bereich der Hochenergiephysik (HEP). Der Datensatz wird als Jet-Bilder dargestellt, wobei Jets kollimierten Gruppen detektierter Teilchen entsprechen. Während klassische Convolutional Neural Networks (CNNs) für diese Aufgabe effektiv sind, verschlechtert sich ihre Leistung bei komplexen, hochgeboosteten Top-Quark-Signaturen. Daher werden Quantum Convolutional Neural Networks (QCNNs) mithilfe eines rauschfreien Quantensimulators untersucht und mit klassischen CNN-Modellen verglichen. Mehrere QCNN-Architekturen werden evaluiert, wobei Faltungsblöcke, Datenkodierung, Verlustfunktionen und Batchgrößen variiert werden. Für jedes Quantenmodell wird ein entsprechendes klassisches CNN zur fairen Gegenüberstellung konstruiert. Die Ergebnisse zeigen, dass korrekt konfigurierte QCNNs ihre klassischen Gegenstücke in den meisten Szenarien übertreffen. Zur Effizienzsteigerung in ausdrucksstärkeren Modellen wird die Dimensional Expressivity Analysis (DEA) eingesetzt, um die Anzahl trainierbarer Parameter ohne Leistungsverlust zu reduzieren. Das DEA-optimierte QCNN erzielt eine höhere Klassifikationsgenauigkeit und verdeutlicht das Potenzial quantenverstärkter Modelle in realistischen HEP-Anwendungen. Insgesamt zeigt diese Arbeit das Potenzial von QML, insbesondere QCNNs, als wettbewerbsfähigen Ansatz für die Datenanalyse in der HEP und eröffnet Perspektiven für zukünftige Forschung zu klassischen Simulationen und rauschtoleranter Quantenhardware.

DOI
10.18452/37137

Related papers

Quantum Machine Learning for Non-Destructive Testing Data: An Industrial Use Case

Ahanin, Darius

Diese Arbeit untersucht die Machbarkeit und prinzipielle Anwendbarkeit von Quantum Neural Networks (QNNs)s für die Defekterkennung in Pipeline-Systemen. Ziel war die Entwicklung und Evaluation von drei Modellansätzen: Direct Inversion Models (DIMs) zur direkten Rekonstruktion von Tiefenprofilen, Deepest Point Models (DPMs) zur Bestimmung des tiefsten Punktes eines Defekts sowie Autoencoder-Modellen (Naive Autoencoder Model (NAEM) und Two-Sided Autoencoder Model (TAEM)) zur Dimensionalitätsreduktion und Merkmalsextraktion. Im Mittelpunkt steht die Analyse der Modellgüte, der Einfluss von Dekohärenzeffekten sowie die Relevanz der gewählten Encodierungsmethoden. Die Ergebnisse zeigen, dass DIMs auf Basis des Quantum Approximate Optimization Algorithm (QAOA)-Ansatzes moderate Modellgüten von Structural Similarity Index (SSIM) = 0.48 erreicht werden, jedoch durch begrenzte Generalisierungsfähigkeit eingeschränkt sind. Dekohärenzanalysen verdeutlichen die Robustheit gegenüber Phasendämpfung (T2), während Amplitudendämpfung (T1) die Vorhersagegüte erheblich beeinflussen kann. DPMs liefern vergleichsweise einfache Lösungen, jedoch mit einer reduzierten Modellgüte (R2 = 0.44) gegenüber klassischen Ansätzen (R2 = 0.89). Autoencoder Modelle zeigen grundlegende Schwächen bei der Rekonstruktion von Magnetic Flux Leakage (MFL)-Signalen, wobei das TAEM durch bidirektionales Training zwar theoretische Vorteile bietet, jedoch starke Schwankungen in der Modellgüte aufweist. Die Arbeit hebt die Bedeutung von Encodierungsmethoden hervor, da durch Superposition Daten verdichtet werden und spezifische Ansätze erforderlich sind, um diese unabhängig zu manipulieren. Eine klare Definition von Ähnlichkeitskriterien zwischen Tiefenprofilen wird als notwendig erachtet, um Vergleichswerte für zukünftige Arbeiten zu etablieren. Diese Ergebnisse verdeutlichen die Herausforderungen des Einsatzes von QNNs im industriellen Kontext und liefern wertvolle Erkenntnisse für die Optimierung von Modellen zur Defekterkennung. Die Arbeit bietet somit eine Grundlage für weiterführende Forschungsprojekte, die sich mit der Integration von Quantencomputing in praxisrelevante Anwendungen befassen.

•Jan 1, 2025•0 citations

Quantum Machine Learning Appliances for Tackling Neurological Disorders

Daniel Lode, Marcus Frohme, Alina S. Nechyporenko

Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.

•Jan 1, 2026•0 citations

Experimental photonic quantum machine learning

Zhenghao Yin

Im Zeitalter der noisy intermediate-scale quantum Ära (NISQ) zeigt quantum machine learning bedeutende potenzielle Vorteile in vielen Quantenanwendungen, wie der Lösung linearen Gleichungen, variationalen Quantenalgorithmen und Quantenchemie. Derzeit stützen sich die meisten Verfahren des quantenmaschinellen Lernens auf universelle Quantencomputer-Architekturen, während die Forschung zu photonischen Systemen relativ begrenzt bleibt. Im Gegensatz dazu bieten Photonen Vorteile wie lange Kohärenzzeiten, Raumtemperaturbetrieb und großskalige Quanteninterferenz, wie in Bosonensampling-Experimenten gezeigt. Wie jedoch Einzelphotonen für skalierbare und robuste quantenmaschinelle Lernaufgaben genutzt werden können, bleibt weiterhin eine offene Frage. Aufbauend auf dieser Grundlage und inspiriert von Quanteninterferenz und Photonen-Ununterscheidbarkeit führen wir eine Quanten-Kernel-Methode ein und analysieren Skalierungsgesetze im photonischen quantenmaschinellen Lernen. Die Quanten-Kernel-Methode kodiert klassische Daten in hochdimensionale Fock-Zustand und erweitert dadurch den Merkmalsraum sowie die Datenrepräsentationsfähigkeiten. Wir vergleichen die Quanten-Kernel-Methode auch mit verschiedenen klassischen Kernel-Ansätzen und zeigen experimentell, dass es mit der ersten Methode einen Leistungsboost bei den repräsentativen Datensätze gibt. Darüber hinaus etablieren wir hier ein theoretisches Photonenzahl-Skalierungsgesetz, welches zeigt, dass die Erhöhung der Photonenzahl die Lernkapazität und Dateneffizienz in Lernaufgaben verbessert. Dieses Ergebnis wird vorläufig durch Experimente zum Lernen unitärer Matrizen und Metriklernen validiert. Schließlich untersuchen wir die Anwendung des photonischen quantenmaschinellen Lernens auf die natürliche Sprachverarbeitung und diskutieren die Aussichten des Quanten-Edge-Computing, wobei wir ihre Bedeutung für zukünftige weltraumbasierte Anwendungen hervorheben. Zusammenfassend liefert die in dieser Arbeit präsentierte Forschung eine theoretische Grundlage und experimentelle Evidenz für die skalierbare Implementierung des photonischen quantum machine learning und offenbart dessen potenzielle Vorteile und Anwendungsaussichten in praktischen Aufgaben.

•Jan 1, 2025•0 citations

Variational algorithms in Quantum Artificial Intelligence

Michael Kölle

In den letzten Jahren wurde der Fortschritt der Künstlichen Intelligenz (KI) maßgeblich durch die Skalierung der Modellgröße und -komplexität vorangetrieben. Dieser stetige Anstieg der Parameterzahlen und der daraus resultierende enorme Ressourcenverbrauch stellen die Skalierbarkeit klassischer Architekturen infrage und erfordern fundamental neue, parametereffiziente Ansätze. Das Quantencomputing stellt hierbei eine vielversprechende Alternative dar, die leistungsfähige Modelle mit signifikant weniger Parametern ermöglicht. In der heutigen Ära des Noisy Intermediate-Scale Quantum Computing etablieren sich variationelle Quantenalgorithmen (VQAs) als führender Ansatz für reale Hardware. Ihre Anwendung wird jedoch durch mehrere grundlegende Herausforderungen eingeschränkt: instabile Trainingsdynamiken, flache Lösungslandschaften, welche die Skalierbarkeit erschweren, sowie den mühsamen manuellen Entwurf von Quantenschaltungen. Diese Dissertation begegnet diesen Herausforderungen mit der Entwicklung systematischer Methodiken für den gesamten VQA-Entwicklungszyklus. Es werden robuste Trainings- und Optimierungstechniken wie Weight Re-Mapping, exponentielle Lernratenanpassung, strukturelles Pruning und metaheuristische Optimierung eingeführt, um Konvergenz zu steigern und flache Lösungslandschaften zu vermeiden. Zudem werden Verfahren zur automatisierten Architektursuche für Quantenschaltungen mittels Reinforcement Learning und evolutionärer Algorithmen entwickelt, um die Abhängigkeit von manuellen Entwürfen zu verringern. Der praktische Nutzen dieser Methodik wird in mehreren anspruchsvollen KI-Domänen demonstriert. So werden VQAs genutzt, um hochgradig parametereffiziente Agenten für das Quanten-Reinforcement-Learning zu konstruieren. Ferner werden neuartige Quantenmodelle für generative KI und die Anomalieerkennung vorgestellt. Über diese Anwendungen hinaus wird eine Methode zur fairen Bewertung hybrider Systeme entwickelt und das Verhältnis zwischen Parametereffizienz und Trainingszeit quantifiziert. Zusammengenommen ergeben diese Beiträge validierte, systematische Ansätze, die VQAs von theoretischen Konzepten zu robusten, praxistauglichen Werkzeugen für den Einsatz von Quanten-KI auf Hardware der nahen Zukunft weiterentwickeln.

•Aug 4, 2026•0 citations

Quantum convolutional neural networks for multiclass image classification

Shangshang Shi, Zhimin Wang, Jiaxin Li +4 more

Quantum Information Processing•May 13, 2024•15 citations

Quantenbasierte Maschinelle Lernverfahren zur Behandlung Neurologischer Erkrankungen

Daniel Lode, Marcus Frohme, Alina S. Nechyporenko

Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.

TH Wildau Engineering and Natural Sciences Proceedings•Sep 23, 2026•0 citations
Quantencomputing hat in jüngster Zeit aufgrund seiner potenziellen Vorteile gegenüber klassischer Berechnung in bestimmten Anwendungsbereichen zunehmend an Interesse gewonnen. Eine zentrale Anwendung ist das Quantenmaschinelle Lernen (QML), das darauf abzielt, quantenmechanische Prinzipien zu nutzen, um klassische Methoden in ausgewählten Aufgaben zu übertreffen. Motiviert durch ein Klassifikationsproblem in der Suche nach neuer Physik, insbesondere dem Top-Tagging, untersucht diese Arbeit die Leistungsfähigkeit von QML im Bereich der Hochenergiephysik (HEP). Der Datensatz wird als Jet-Bilder dargestellt, wobei Jets kollimierten Gruppen detektierter Teilchen entsprechen. Während klassische Convolutional Neural Networks (CNNs) für diese Aufgabe effektiv sind, verschlechtert sich ihre Leistung bei komplexen, hochgeboosteten Top-Quark-Signaturen. Daher werden Quantum Convolutional Neural Networks (QCNNs) mithilfe eines rauschfreien Quantensimulators untersucht und mit klassischen CNN-Modellen verglichen. Mehrere QCNN-Architekturen werden evaluiert, wobei Faltungsblöcke, Datenkodierung, Verlustfunktionen und Batchgrößen variiert werden. Für jedes Quantenmodell wird ein entsprechendes klassisches CNN zur fairen Gegenüberstellung konstruiert. Die Ergebnisse zeigen, dass korrekt konfigurierte QCNNs ihre klassischen Gegenstücke in den meisten Szenarien übertreffen. Zur Effizienzsteigerung in ausdrucksstärkeren Modellen wird die Dimensional Expressivity Analysis (DEA) eingesetzt, um die Anzahl trainierbarer Parameter ohne Leistungsverlust zu reduzieren. Das DEA-optimierte QCNN erzielt eine höhere Klassifikationsgenauigkeit und verdeutlicht das Potenzial quantenverstärkter Modelle in realistischen HEP-Anwendungen. Insgesamt zeigt diese Arbeit das Potenzial von QML, insbesondere QCNNs, als wettbewerbsfähigen Ansatz für die Datenanalyse in der HEP und eröffnet Perspektiven für zukünftige Forschung zu klassischen Simulationen und rauschtoleranter Quantenhardware.
Diese Arbeit untersucht die Machbarkeit und prinzipielle Anwendbarkeit von Quantum Neural Networks (QNNs)s für die Defekterkennung in Pipeline-Systemen. Ziel war die Entwicklung und Evaluation von drei Modellansätzen: Direct Inversion Models (DIMs) zur direkten Rekonstruktion von Tiefenprofilen, Deepest Point Models (DPMs) zur Bestimmung des tiefsten Punktes eines Defekts sowie Autoencoder-Modellen (Naive Autoencoder Model (NAEM) und Two-Sided Autoencoder Model (TAEM)) zur Dimensionalitätsreduktion und Merkmalsextraktion. Im Mittelpunkt steht die Analyse der Modellgüte, der Einfluss von Dekohärenzeffekten sowie die Relevanz der gewählten Encodierungsmethoden. Die Ergebnisse zeigen, dass DIMs auf Basis des Quantum Approximate Optimization Algorithm (QAOA)-Ansatzes moderate Modellgüten von Structural Similarity Index (SSIM) = 0.48 erreicht werden, jedoch durch begrenzte Generalisierungsfähigkeit eingeschränkt sind. Dekohärenzanalysen verdeutlichen die Robustheit gegenüber Phasendämpfung (T2), während Amplitudendämpfung (T1) die Vorhersagegüte erheblich beeinflussen kann. DPMs liefern vergleichsweise einfache Lösungen, jedoch mit einer reduzierten Modellgüte (R2 = 0.44) gegenüber klassischen Ansätzen (R2 = 0.89). Autoencoder Modelle zeigen grundlegende Schwächen bei der Rekonstruktion von Magnetic Flux Leakage (MFL)-Signalen, wobei das TAEM durch bidirektionales Training zwar theoretische Vorteile bietet, jedoch starke Schwankungen in der Modellgüte aufweist. Die Arbeit hebt die Bedeutung von Encodierungsmethoden hervor, da durch Superposition Daten verdichtet werden und spezifische Ansätze erforderlich sind, um diese unabhängig zu manipulieren. Eine klare Definition von Ähnlichkeitskriterien zwischen Tiefenprofilen wird als notwendig erachtet, um Vergleichswerte für zukünftige Arbeiten zu etablieren. Diese Ergebnisse verdeutlichen die Herausforderungen des Einsatzes von QNNs im industriellen Kontext und liefern wertvolle Erkenntnisse für die Optimierung von Modellen zur Defekterkennung. Die Arbeit bietet somit eine Grundlage für weiterführende Forschungsprojekte, die sich mit der Integration von Quantencomputing in praxisrelevante Anwendungen befassen.
Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.
Im Zeitalter der noisy intermediate-scale quantum Ära (NISQ) zeigt quantum machine learning bedeutende potenzielle Vorteile in vielen Quantenanwendungen, wie der Lösung linearen Gleichungen, variationalen Quantenalgorithmen und Quantenchemie. Derzeit stützen sich die meisten Verfahren des quantenmaschinellen Lernens auf universelle Quantencomputer-Architekturen, während die Forschung zu photonischen Systemen relativ begrenzt bleibt. Im Gegensatz dazu bieten Photonen Vorteile wie lange Kohärenzzeiten, Raumtemperaturbetrieb und großskalige Quanteninterferenz, wie in Bosonensampling-Experimenten gezeigt. Wie jedoch Einzelphotonen für skalierbare und robuste quantenmaschinelle Lernaufgaben genutzt werden können, bleibt weiterhin eine offene Frage. Aufbauend auf dieser Grundlage und inspiriert von Quanteninterferenz und Photonen-Ununterscheidbarkeit führen wir eine Quanten-Kernel-Methode ein und analysieren Skalierungsgesetze im photonischen quantenmaschinellen Lernen. Die Quanten-Kernel-Methode kodiert klassische Daten in hochdimensionale Fock-Zustand und erweitert dadurch den Merkmalsraum sowie die Datenrepräsentationsfähigkeiten. Wir vergleichen die Quanten-Kernel-Methode auch mit verschiedenen klassischen Kernel-Ansätzen und zeigen experimentell, dass es mit der ersten Methode einen Leistungsboost bei den repräsentativen Datensätze gibt. Darüber hinaus etablieren wir hier ein theoretisches Photonenzahl-Skalierungsgesetz, welches zeigt, dass die Erhöhung der Photonenzahl die Lernkapazität und Dateneffizienz in Lernaufgaben verbessert. Dieses Ergebnis wird vorläufig durch Experimente zum Lernen unitärer Matrizen und Metriklernen validiert. Schließlich untersuchen wir die Anwendung des photonischen quantenmaschinellen Lernens auf die natürliche Sprachverarbeitung und diskutieren die Aussichten des Quanten-Edge-Computing, wobei wir ihre Bedeutung für zukünftige weltraumbasierte Anwendungen hervorheben. Zusammenfassend liefert die in dieser Arbeit präsentierte Forschung eine theoretische Grundlage und experimentelle Evidenz für die skalierbare Implementierung des photonischen quantum machine learning und offenbart dessen potenzielle Vorteile und Anwendungsaussichten in praktischen Aufgaben.
In den letzten Jahren wurde der Fortschritt der Künstlichen Intelligenz (KI) maßgeblich durch die Skalierung der Modellgröße und -komplexität vorangetrieben. Dieser stetige Anstieg der Parameterzahlen und der daraus resultierende enorme Ressourcenverbrauch stellen die Skalierbarkeit klassischer Architekturen infrage und erfordern fundamental neue, parametereffiziente Ansätze. Das Quantencomputing stellt hierbei eine vielversprechende Alternative dar, die leistungsfähige Modelle mit signifikant weniger Parametern ermöglicht. In der heutigen Ära des Noisy Intermediate-Scale Quantum Computing etablieren sich variationelle Quantenalgorithmen (VQAs) als führender Ansatz für reale Hardware. Ihre Anwendung wird jedoch durch mehrere grundlegende Herausforderungen eingeschränkt: instabile Trainingsdynamiken, flache Lösungslandschaften, welche die Skalierbarkeit erschweren, sowie den mühsamen manuellen Entwurf von Quantenschaltungen. Diese Dissertation begegnet diesen Herausforderungen mit der Entwicklung systematischer Methodiken für den gesamten VQA-Entwicklungszyklus. Es werden robuste Trainings- und Optimierungstechniken wie Weight Re-Mapping, exponentielle Lernratenanpassung, strukturelles Pruning und metaheuristische Optimierung eingeführt, um Konvergenz zu steigern und flache Lösungslandschaften zu vermeiden. Zudem werden Verfahren zur automatisierten Architektursuche für Quantenschaltungen mittels Reinforcement Learning und evolutionärer Algorithmen entwickelt, um die Abhängigkeit von manuellen Entwürfen zu verringern. Der praktische Nutzen dieser Methodik wird in mehreren anspruchsvollen KI-Domänen demonstriert. So werden VQAs genutzt, um hochgradig parametereffiziente Agenten für das Quanten-Reinforcement-Learning zu konstruieren. Ferner werden neuartige Quantenmodelle für generative KI und die Anomalieerkennung vorgestellt. Über diese Anwendungen hinaus wird eine Methode zur fairen Bewertung hybrider Systeme entwickelt und das Verhältnis zwischen Parametereffizienz und Trainingszeit quantifiziert. Zusammengenommen ergeben diese Beiträge validierte, systematische Ansätze, die VQAs von theoretischen Konzepten zu robusten, praxistauglichen Werkzeugen für den Einsatz von Quanten-KI auf Hardware der nahen Zukunft weiterentwickeln.
Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.