Forscher haben einen Quantenalgorithmus entwickelt, der realistische handschriftliche Ziffern erzeugt und besser abschneidet als klassische Algorithmen. Dieser Durchbruch könnte den Weg für leistungsstärkere Quantengeräte ebnen, die über die Fähigkeiten des klassischen maschinellen Lernens hinausgehen.
Maschinelles Lernen ermöglicht es Computern, komplexe Muster wie Gesichter zu erkennen und neue, realistisch aussehende Beispiele für solche Muster zu erstellen. Forscher haben nun die erste klare Demonstration eines Quantenalgorithmus gezeigt, der gut abschneidet, wenn er diese realistischen Beispiele erzeugt, in diesem Fall das Erstellen authentisch aussehender handschriftlicher Ziffern. Die Forscher betrachten das Ergebnis als wichtigen Schritt in Richtung des Baus von Quantengeräten, die über die Fähigkeiten des klassischen maschinellen Lernens hinausgehen.
Die häufigste Verwendung von neuronalen Netzwerken ist die Klassifizierung - beispielsweise das Erkennen handschriftlicher Buchstaben. Forscher möchten Algorithmen jedoch zunehmend für kreativere Aufgaben einsetzen, wie das Erstellen neuer und realistischer Kunstwerke, Musikstücke oder menschlicher Gesichter. Diese sogenannten generativen neuronalen Netzwerke können auch bei der automatisierten Bearbeitung von Fotos eingesetzt werden, um unerwünschte Details, wie Regen, zu entfernen.
Das Einbeziehen von Quantencomputing in heutige generative Netzwerke könnte laut Alejandro Perdomo-Ortiz von Zapata Computing in Toronto zu einer viel besseren Leistung führen. Daher versuchen Forscher, Algorithmen auf der aktuellen Generation sogenannter geräuschintensiver, intermediärer Quantengeräte zu implementieren - rudimentären Quantenmaschinen mit weniger als etwa 50 Quantenbits (Qubits). Mit ihrer neuen maschinellen Lernarchitektur haben Perdomo-Ortiz und seine Kollegen verbesserte Ergebnisse erzielt und realistische handschriftliche Ziffern erzeugt, die bisherigen Versuchen überlegen sind.
