Suchen

Definition Was ist ein Fuzzy Quantum Neural Network?

Autor / Redakteur: Dipl.-Ing. (FH) Stefan Luber / Nico Litzel

Das Fuzzy Quantum Neural Network ist eine Variante des Quantum Neural Networks (QNN) und versucht die Gesetze der Quantenphysik mithilfe der Unschärfe der Fuzzy-Logik abzubilden. Es handelt sich um ein von der Quantenphysik inspiriertes Neuronales Netzwerk, das die Fähigkeiten der Künstlichen Intelligenz weiter verbessert. Im Gegensatz zu anderen QNN-Varianten arbeitet es nicht mit Quantenbits beziehungsweise mit Quantenneuronen.

Firmen zum Thema

(Bild: © aga7ta - stock.adobe.com)

Das Fuzzy Quantum Neural Network ist eine spezielle Variante eines Quantum Neural Networks (QNN). In einigen Publikationen wird es auch als ein von der Quantenphysik inspiriertes Neuronales Netzwerk auf Basis der Fuzzy-Logik bezeichnet. Im Gegensatz zu anderen Varianten eines QNN arbeitet es nicht mit Quantenneuronen (Qurons) und Quantenbits (Qbits), sondern setzt die Fuzzy-Logik ein, um quantenphysikalische Prinzipien abzubilden. Die Fuzzy-Logik ist eine Unschärfe-Logik, die mithilfe mathematischer Formeln, Modelle und logischer Verknüpfungen, vereinfacht ausgedrückt, Unschärfeproblematiken der Quantentheorie beschreiben und darstellen kann.

Die Fuzzy-Logik existiert schon viele Jahrzehnte und kommt in zahlreichen Produkten und Anwendungen wie in der Regelungstechnik von Maschinen zum Einsatz. Ein Fuzzy Quantum Neural Network hilft Vorgänge des maschinellen Lernens zu optimieren und die Fähigkeiten der Künstlichen Intelligenz weiter zu verbessern.

Grundlagen

Um etwas tiefer in die Funktionsweise des Fuzzy Quantum Neural Networks einzusteigen, zunächst einige grundlegende Informationen zum Quantum Neural Network. Die Abkürzung für Quantum Neural Network ist QNN. Das QNN ist ein Künstliches Neuronales Netzwerk (KNN), das sich die Funktionsprinzipien der Quantenmechanik zunutze macht. Zur Realisierung eines QNN existieren zahlreiche verschiedene theoretische Modelle und praktische Ansätze. Oft sind QNNs aus sogenannten Qurons (Quantenneuronen) aufgebaut. Im Gegensatz zu normalen Neuronen können Qurons beliebige Zustände zwischen den beiden Grundzuständen aktiv (feuernd) und nicht aktiv (nicht feuernd) annehmen. Ähnlich wie ein Quantenbit (Qubit) legen sie sich erst beim Auslesen (Messen) einer Information für einen konkreten Zustand fest.

Durch Verschränkungen stehen Qurons miteinander in Beziehung. Schon mit wenigen Quantenneuronen kann ein QNN komplexe Problemstellungen schnell lösen. QNNs eignen sich für das Training mit großen Datenmengen und erzielen gute Klassifizierungsergebnisse. Eventuelle Anwendungsgebiete für zukünftige Quantum Neural Networks sind die Kryptografie und die weitere Verbesserung der Künstlichen Intelligenz (KI). Neben QNNs mit Quantenneuronen ist es auch möglich, einige Prinzipien der Quantenphysik mithilfe der Unschärfe der Fuzzy Logik mathematisch abzubilden. In diesem Fall handelt es sich um ein von der Quantenphysik inspiriertes Neuronales Netzwerk auf Basis der Fuzzy-Logik.

Die Fuzzy-Logik

Fuzzy bedeutet im Deutschen „unscharf“, „unbestimmt“ oder „verschwommen“. Die Fuzzy-Logik ist eine Unschärfe-Theorie, die versucht unpräzise Vorgänge durch mathematische Modelle und Formeln abzubilden. Erste Überlegungen zur Fuzzy-Logik reichen bis ins Jahr 1930 zurück. Von der klassischen Logik unterscheidet sich die Unschärfe-Logik darin, dass eine Aussage oder ein Zustand nicht genau wahr (1) oder nicht genau falsch (0) ist. Sprachlich ausgedrückt handelt es sich um Aussagen wie „ein bisschen wahr“ oder „wahrscheinlich richtig“. Es findet keine scharfe Abgrenzung zwischen wahr und falsch statt.

In der Fuzzy-Logik spricht man vom Grad der Zugehörigkeit zu einer Menge. Mathematisch abgebildet ist dies durch Zugehörigkeitsfunktionen, die den Zugehörigkeitsgrad eines Elements zu einer unscharfen Menge angeben. Auf die unscharfen Mengen lassen sich, wie auf die scharfen Mengen, logische Funktionen und Verknüpfungen wie ODER, NICHT oder UND anwenden. Die Unschärfe ist dadurch mathematisch modellierbar. In gewisser Weise ähnelt die Unschärfe der Fuzzy-Logik einigen Prinzipien der Quantenphysik. Auch in der Quantenphysik existiert Unschärfe. Teilchen können beliebige Zustände gleichzeitig einnehmen und legen sich erst beim Messen für einen konkreten Zustand fest. Kombiniert man die Fuzzy-Logik mit einem Neuronalen Netzwerk, erhält man ein quanteninspiriertes Neuronales Netzwerk. Es wird als Fuzzy Quantum Neural Network bezeichnet.

Vorteile durch den Einsatz eines Fuzzy Quantum Neural Networks

Auch wenn Quantum Neural Networks wie das Fuzzy Quantum Neural Networks derzeit noch in vielen verschiedenen Varianten diskutiert werden, versprechen sich Forscher durch den Einsatz der quanteninspirierten Neural Networks einige Vorteile. Diese Vorteile sind beispielsweise:

  • schnellere Lösung komplexerer Problemstellungen
  • Beschleunigung der Trainingsvorgänge
  • Anwendung für große Datenmengen im Big-Data-Umfeld
  • Verbesserung der Fähigkeiten der Künstlichen Intelligenz
  • Verbesserung der Klassifizierungsfähigkeiten Künstlicher Neuronaler Netzwerke
  • Lösung komplexer kryptografischer Problemstellungen

(ID:46967485)

Über den Autor