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.
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.
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.
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.
In dieser Arbeit werden Techniken des Maschinenlernens in der Vielkörperphysik ange- wendet. Der Fokus liegt auf der Vertexfunktion, einem hochdimensionalen Objekt, das die Wechselwirkungen von Teilchen abbildet und eine Herausforderung für Interpretation und Berechnungen darstellt.Inspiriert von Methodiken in der Objekterkennung entwickeln wir ein Konzept, bei dem ein Autoencoder zum Erlernen einer reduzierten Repräsentation der Vertexfunktion eingesetzt wird. Um quantenphysikalische Besonderheiten erfassen zu können, wird eine Samplingstrategie für Vertices entwickelt. Im Kern dieser Arbeit wird untersucht, ob der dimensional reduzierte Vertexraum ein physikalisches Verständnis der Vertexfunktion erfasst, erlaubt Vertices nicht gelernter Phasen zu extrapolieren und ermöglicht Eigen- schaften eines Vertex mit höherer Konfidenz abzuleiten. Der reduzierte Vertexraum wird weitergehend analysiert, indem ein Klassifizierer gelernt wird, um die Phase aus der reduzierten Repräsentation abzuleiten. Abschließend wird ein Autoencoder trainiert, um den Nachbarn eines Eingabevertex vorherzusagen.Die Experimente zeigen, dass der Autoencoder beim Rekonstruieren reduzierter Vertices sehr niedrige Fehler erreicht, selbst wenn ungelernte Phasen extrapoliert werden. Das demonstriert die Fähigkeit des Modells die physikalischen Grundsätze der Vertexfunktion zu erfassen. Zudem wird lediglich ein sehr geringer Teil der Daten eines Vertex benötigt, um einen effektiven Vertexraum zu erlernen. Durch die Verwendung reduzierter Verti- ces konnte die Genauigkeit der Klassifikation nicht verbessert werden, die Ergebnisse bestätigen allerdings, dass diese wesentliche Eigenschaften der Vertexfunktion erfassen.Für das Vorhersagen eines benachbarten Vertex konnten bisher keine zufriedenstellenden Ergebnisse erzielt werden. Möglichkeiten für eine Verbesserung könnten sein komplexere Modellarchitekturen wie das U-Net einzusetzen oder einen für Rekonstruktion trainierten Autoencoder durch anschließendes Fine-Tuning anzupassen.
Questo lavoro esamina le applicazioni del quantum computing in data science, riformulando problemi di ottimizzazione e machine learning attraverso un formalismo ibrido quantistico-classico. Innanzitutto, vengono presentati i concetti fondamentali della meccanica quantistica, limitando lo studio all’area di interesse del quantum computing ma allo stesso tempo impostando il contesto matematico in modo rigoroso. Dopodiche, attraverso una panoramica dell’hardware presente ad oggi e di quello atteso per il futuro prossimo, e con l’esaminazione dei problemi legati al rumore e al ridotto numero di qubit disponibili nei dispositivi quantistici moderni, si motiva il bisogno di un approccio ibrido per risolvere problemi complessi, che permetta ad hardware classico e quantistico di lavorare sinergicamente. Lo scopo di questo lavoro e quello di presentare strategie per modellare problemi di ottimizzazione e supervised e reinforcement learning in modo da far lavorare una Quantum Processing Unit sulle parti degli algoritmi computazionalmente piu costose. Vengono discussi sia i benefici sia gli svantaggi: i primi sono strettamente legati alla scelta di un modello di computazione nuovo, dal quale ci si aspetta l’esecuzione di operazioni classicamente intrattabili e lo sfruttamento della velocita intrinseca dei sistemi quantistici di raggiungere il ground state; i secondi derivano principalmente dalle attuali limitazioni ingegneristiche che non permettono un controllo efficiente di sistemi quantistici a larga scala. Vengono esaminati quattro casi di studio: un problema di classificazione di immagini auto-costruite attraverso un algoritmo di Support Vector Machine, il quale sfrutta funzioni che portano i dati dallo spazio di input allo spazio degli stati quantistici, construendo cosi un kernel quantum-enhanced; un problema di reinforcement learning, formulato come Quadratic Unconstrained Binary Optimisation (QUBO), con lo scopo di trovare una strategia vincente per il gioco del Blackjack usando dati auto-simulati; il Number Partitioning Problem, formulato come QUBO, che rappresenta lo scenario piu complesso dal punto di vista della connettivita dei qubit e, per grandi istanze, e capace di raggiungere la complessita di problemi reali; infine, il problema del limited-assets Markowitz portfolio optimisation, riscritto come QUBO, al fine di implementare un’euristica quantum-inspired che possa sormontare la complessita del problema al crescere della dimensione dell’input. Nel corso di questo lavoro sono stati analizzati sia l’approccio di computazione universale gate-model, sia quello di adiabatic quantum computing, con particolare attenzione verso quest’ultimo attraverso la maggior parte dei casi di studio. Per uno di questi, il Number Partitioning Problem, e stato sfruttato l’accesso in cloud ad un quantum annealer, che ha permesso uno studio completo delle capacita di tale macchina, in grado di risolvere tra i problemi piu complessi che i quantum computer moderni possano affrontare. Infine, non solo questo lavoro valuta l’accuratezza e la qualita delle soluzioni dei problemi esaminati, ma si concentra anche sul paragone tra strategie quantistiche e classiche, evidenziando le differenze e i benefici che un approccio quantistico o ibrido quantistico-classico puo portare nella risoluzione di problemi di ottimizzazione e machine learning, specialmente con l’eventuale disponibilita, nel futuro prossimo, di dispositivi a piu larga scala.
Das rasante Wachstum des maschinellen Lernens und der zu verarbeitenden Datenmengen hat den Bedarf an Rechenressourcen stark erhöht - zu einer Zeit, in der die Entwicklung klassischer Hardware an physikalische Grenzen stößt. Das Quantencomputing, mit seinem Potenzial für neue Formen der Parallelisierung und algorithmischen Beschleunigung, hat sich daher zu einem vielversprechenden Kandidaten entwickelt, um klassische Methoden zu ergänzen. In diesem Kontext zielt das Quantenmaschinelle Lernen darauf ab, Quanteneffekte zu nutzen, um die Ausdruckskraft und Effizienz von Modellen zu steigern.Die vorliegende Arbeit beschäftigt sich mit der Komponistenklassifikation auf Basis symbolischer Musikdaten von Live-Aufführungen und untersucht, wie Ansätze des hybriden Quantencomputings darauf angewendet werden können. Wir vergleichen strukturell unterschiedliche Methoden zur Merkmalsextraktion aus symbolischen Musikdaten, darunter an die natürliche Sprachverarbeitung angelehnte Verfahren, Graph-Einbettungen sowie musiktheoretisch fundierte statistische Verfahren, zunächst im Bereich des klassischen maschinellen Lernens. Während sich die Graph-Einbettung für unser Live-Aufführungsdaten als ungeeignet erweist, liefern die beiden anderen Ansätze starke klassische Referenzmodelle, und es gelingt uns, ein nicht reproduzierbares Verfahren aus der Literatur zu verbessern und damit konkurrenzfähige Ergebnisse zu erzielen.Auf dieser Grundlage evaluieren wir systematisch zwei Klassen von Quantenklassifikatoren - variationale Quantenschaltkreise und Quanten-Support-Vector-Machines - unter Verwendung einer simulierten Quantenrechenumgebung. Wir analysieren ihre Leistung im Verhältnis zu den klassischen Referenzmodellen sowie ihre Empfindlichkeit gegenüber verschiedenen Parametereinstellungen.Unsere Quantenmodelle können klassische Verfahren derezeit nicht übertreffen. Sie weisen jedoch charakteristische Muster von Unteranpassung und Überanpassung aufweisen, die wertvolle Hinweise für die Gestaltung zukünftiger hybrider Systeme liefern können. Zudem beobachten wir deutliche Leistungsunterschiede in Abhängigkeit von der Methode der klassischen Merkmalsextraktion.Wir legen eine Fallstudie vor, die Komponistenklassifikation in einem hybriden klassisch–quantischen Setup implementiert. Unsere Ergebnisse leisten einen Beitrag zum Verständnis des Verhaltens, der Grenzen und des Potenzials quantenmaschineller Lernmodelle im Bereich der Informationsextraktion aus Musikdaten.