Neue Konzepte für lernfähige Systeme

© M.Kues

Die Entwicklung von Quantencomputern soll gegenüber klassischen Maschinen eine erheblich schnellere Verarbeitung von sehr großen Datenmengen ermöglichen. Insbesondere die Kombination aus maschinellem Lernen und Quantenmechanik könnte die erforderlichen Berechnungen maschineller Lernverfahren beschleunigen und so die Entwicklung kognitiver Technologien, d.h. von Maschinen, die z.B. das Lernen und das Lösen von Problemen beherrschen, erheblich beschleunigen. Ein neues Projekt, angesiedelt am Hannoverschen Zentrum für Optische Technologien an der Leibniz Universität Hannover unter Leitung von Prof. Dr. Michael Kues möchte dafür bereits vorhandene Technologien nutzen und weiter ausbauen. Das Bundesministerium für Bildung und Forschung finanziert das Projekt innerhalb der Förderlinie Quantum Futur mit 3,3 Millionen Euro.

Datenübertragung mittels Photonen

Basis für die neue Technologie ist die Datenübertragung mittels Photonen, also mittels Licht. Ziel dieses Vorhabens ist die anwendungsnahe Erforschung einer integrierten photonischen Quantenplattform, die spezifisch auf die Optimierung von Lernverfahren zugeschnitten ist. Mittels neuartiger Konzepte sollen integrierte Kontrollelemente die eine Manipulation der genutzten Quantenzustände zulassen, erforscht werden.

Kosten- und energieeffiziente quanten­optische Systeme realisieren

Das Vorhaben möchte hierzu die Fortschritte der hochentwickelten Telekommunikation­s­technologie und der Chip­herstellungs­­industrie nutzen, mit dem Ziel, Lösungen zu verwirklichen, die es erlauben, kosten- und energieeffiziente quanten­optische Systeme zu realisieren, die kompakt, auf der Sensorebene einsetzbar, sowie zur Massen­produktion geeignet sind.

Moderne maschinelle Lernkonzepte

Mit dem Einsatz modernster maschineller Lernkonzepte konzentrieren sich heutzutage Forschung und Industrie auf die Realisierung von dynamischen Prozessautomatisierungssystemen und neuen intelligenten Diensten z.B. für Spracherkennung, medizinische Diagnosen, DNA-Sequenzierung, autonome Fahrzeuge etc. Inspiriert von der Art und Weise, wie das Gehirn Informationen verarbeitet, verwenden solche Ansätze neuartige Rechendarstellungen, wie beispielsweise neuronale Netze. Diese Rechendarstellungen erzeugen jedoch großen und unvermeidlichen rechnerischen Mehraufwand, was zu langen Rechenzeiten führt und letztendlich den breiten Einsatz dieser Konzepte in neuen Anwendungsszenarien verhindert.

(Veröffentlicht: 4. Juni 2019)