AI und Quantum Computing

Quantencomputing bietet enormes Potenzial zur verbesserten und beschleunigten Lösung von Problemen in den Bereichen Simulation, Optimierung und maschinelles Lernen. Besonders variationelle Quantenschaltkreise - eine spezielle Klasse von Quantenalgorithmen - haben in bestimmten Datenregimen Vorteile im Bereich des maschinellen Lernens gezeigt. Als Machine-Learning-Modell eingesetzt, können variationelle Quantenschaltkreise ein Problem genauso gut, aber oft mit weniger Daten lernen als klassische Ansätze wie neuronale Netzwerke.

Auf der 5G Connect Advanced wird gezeigt, wie variationale Quantenschaltkreise mit einer besonderen Form des maschinellen Lernens kombiniert werden: dem sogenannten Reinforcement Learning. Dabei versucht ein Algorithmus ("der Agent"), ein bestimmtes Problem ("die Umgebung") zu lösen und eine möglichst optimale Lösungsstrategie zu finden.

Der Algorithmus "Meta-Learning Restless Multi-armed Bandits für stichprobeneffiziente Online-Inferenz" wird auf der 5G Connect Advanced vorgestellt.
Dieser Algorithmus nutzt ein spezielles Koordinatensystem basierend auf Codebucheinträgen statt auf einem normalen 3D-Koordinatensystem. Dadurch kann er direkt die richtige Strahlrichtung bestimmen, ohne den Empfänger in X-Y-Z-Koordinaten zu lokalisieren. Das spart teure Ortungsschritte und macht den Algorithmus robuster gegenüber physischen Hindernissen wie Autos oder Bäumen.

Maschinelles Lernen ermöglicht die Lokalisierung in komplexen, verwinkelten Umgebungen, in denen klassische Lokalisierungsverfahren an ihre Grenzen kommen. Neuronale Netze nutzen Umgebungsinformationen, die in den Funksignalen enkodiert sind und die klassische Verfahren nicht verarbeiten können. Durch die Unsicherheitsschätzung von neuronalen Netzen und unüberwachtem Lernen kann daher zuverlässig und effizient eine flächendeckende Lokalisierung ermöglicht werden.