Suchen

Definition Was ist ein Quantum Neural Network?

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

Ein Quantum Neural Network ist ein Künstliches Neuronales Netzwerk, das auf den Funktionsprinzipien der Quantenmechanik basiert. Es nutzt sogenannte Qubits, die mehrere Zustände gleichzeitig annehmen können und miteinander verschränkt sind. Quantum Neural Networks sollen schneller arbeiten und komplexere Problemstellungen lösen, als dies mit herkömmlichen Neuronalen Netzen möglich ist.

Firmen zum Thema

(Bild: © aga7ta - stock.adobe.com)

Die Abkürzung für Quantum Neural Network lautet QNN. Es handelt sich um Künstliche Neuronale Netzwerke (KNN), die auf den Funktionsprinzipien der Quantenmechanik basieren. QNNs sind ein noch recht junges Forschungsgebiet. Erste Ideen zu dieser Art von Neuronalen Netzwerken wurden Mitte der 1990er-Jahre veröffentlicht. Es existieren zahlreiche unterschiedliche theoretische und praktische Ansätze, QNNs zu realisieren. Ziel ist es, komplexe Problemstellungen schneller zu lösen, als dies mit herkömmlichen Neuronalen Netzen und klassischer Computertechnik möglich ist.

Für den Einsatz der Quantenmechanik in der Computertechnik und in der Künstlichen Intelligenz (KI) werden nicht normale Bits mit ihren Zuständen „0“ und „1“, sondern sogenannte Qubits genutzt. Sie können mehrere Zustände gleichzeitig annehmen und sind miteinander verschränkt. So lassen sich mit wenigen Qubits komplexe Berechnungen anstellen. Eine Motivation für die Forschung an QNNs ist das Problem, dass klassische Neuronale Netzwerkmodelle, wie sie im Maschinellen Lernen (ML) beispielsweise für Klassifizierungsaufgaben zum Einsatz kommen, mit steigender Menge an Daten immer mehr Zeit für das Training benötigen. Mögliche Einsatzbereiche zukünftiger Quantum Neural Networks und Quantencomputer sind Optimierungs- und Simulationsaufgaben, Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) sowie die Kryptografie.

Die Prinzipien der Quantenmechanik in der Computertechnik

Für ein besseres Verständnis eines Quantenneuronalen Netzwerks zunächst einige grundsätzliche Informationen zu den Funktionsprinzipien der Quantenmechanik in der Computertechnik. Heutige Computer arbeiten alle auf Basis von Bits. Ein Bit ist die kleinste Informationseinheit des Rechners und kann die beiden Zustände „0“ oder „1“ annehmen. Die Zustände werden mithilfe von Halbleiterschaltkreisen gebildet. Durch die logische Verknüpfung vieler einzelner Bits lassen sich komplexe Berechnungen anstellen.

Berechnungen auf Basis der Quantenmechanik nutzen nicht Bits, sondern sogenannte Qubits. Qubit ist die Abkürzung für Quanten-Bit, die kleinste Informationseinheit eines Quantenrechners. Auch ein Qubit kann die beiden Zustände „0“ oder „1“ annehmen. Im Gegensatz zu einem normalen Bit kann das Qubit gemäß der Quantentheorie gleichzeitig im Zustand „0“ oder „1“ und in allen theoretisch möglichen unendlichen Zuständen dazwischen sein. Zudem existieren zwischen den Qubits Verschränkungen, die zu einer direkten gegenseitigen Beeinflussung der Zustände ohne Zeitversatz führen. Für die gleiche Art von Berechnung benötigt ein Quantenrechner im Vergleich zu einem herkömmlichen bitbasierten Rechner weniger Qubits und weniger Zeit.

Aufbau eines Quantum Neural Networks

Der Aufbau eines herkömmlichen Künstliche Neuronale Netzes (KNN) orientiert sich am Aufbau des biologischen Gehirns. In einem abstrahierten mathematischen Modell sind Neuronen miteinander verbunden. Neuronen nehmen Informationen entgegen und erzeugen ein Ergebnis, das sie über gewichtete Verbindungen an andere Neuronen weiterreichen oder als Endergebnis ausgeben. Ein KNN besteht aus mehreren miteinander verbundenen Neuronenebenen.

Ein einheitliches Konzept für den Aufbau eines Quantum Neural Networks existiert noch nicht. Viele Forscher orientieren sich an klassischen KNNs. Die binär arbeitenden Neuronen werden durch Qubit-Neuronen, auch Quantenneuronen oder Qurons genannt, ersetzt. Durch die Möglichkeit mehrere Zustände gleichzeitig anzunehmen und die Verschränkung der Qubits untereinander erzielt ein QNN mit weniger Neuronen und Neuronenebenen höhere Leistung. Eine weitere diskutierte Variante des Quantum Neural Networks ist das Fuzzy Quantum Neural Network. Es basiert auf der Fuzzy-Logik und versucht die quantenmechanischen Prinzipien durch eine Unschärfe-Logik abzubilden.

Vorteile durch den Einsatz eines Quantum Neural Networks

Auch wenn aktuell noch keine Quantencomputer produktiv einsetzbar sind und Quantum Neural Networks in vielen verschiedenen theoretischen und praktischen Varianten diskutiert werden, versprechen sich Forscher durch den Einsatz eines Quantum Neural Networks zahlreiche Vorteile. Diese Vorteile sind beispielsweise:

  • Lösung komplexerer Problemstellungen mit QNNs geringerer Neuronenanzahl
  • schnelleres Training Quantenneuronaler Netze im Big-Data-Umfeld
  • bessere Lösung von Klassifizierungsaufgaben
  • Bereitstellung höherer Rechenleistung
  • Verbesserung der Fähigkeiten Künstlicher Intelligenz
  • Lösung komplexer kryptografischer Problemstellungen binnen kurzer Zeit

(ID:46669361)

Über den Autor