Reinforcement Learning mit parametrisierten Quantenschaltkreisen

• Type: Bachelor thesis
• State: finished
• Projects: QLindA
• Supervisor: Wolfgang Mauerer
• Student: Maja Franz
• Submission date: 31. Aug 2021
• Thesis: [PDF]

Abstract

In dem letzten Jahrzehnt konnten in den Forschungsgebieten des Reinforcement Learnings (RLs) und Quantencomputings große Fortschritte erzielt werden. Dabei haben sich parametrisierte Quantenschaltkreise (PQCs) als Modell des quantenbasierten maschinellen Lernens etabliert. Diese haben das Potenzial, in naher Zukunft eine Überlegenheit von Quantencomputern gegenüber klassischen zu zeigen.

In dieser Arbeit werden Verfahren und Konzepte des quantenbasierten RLs vorgestellt und daraus entwickelte Technologien experimentell untersucht. Die Ergebnisse zeigen, dass quantenbasierte Ansätze, ähnlich zu klassischen, einfache RL-Anwendungen optimal lösen können. Es wird vermutet, dass diese Verfahren für auch auf realen Quantensystemen mit geringem Fehlereinfluss durchgeführt werden können, wenn die verwendeten Quantenschaltkreise eine vergleichbar geringe Größe haben.

Behandelte Themen in dieser Abschlussarbeit:
Quantencomputing, Quanten-Machine-Learning, Python, Reinforcement Learning