Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Springer eBooks

Wie tanzen die Quanten?

Michael Springer

Published Jan 1, 2017• 0 citations
Publisher
DOI
10.1007/978-3-662-54891-2_80

Related papers

Machen uns die Quanten frei?

Michael Springer

Springer eBooks•Jan 1, 2017•1 citation

Woher die Quanten kommen

Heinrich Greinacher

Verständliche Wissenschaft•Jan 1, 1939•0 citations

Wettrennen um die Quanten

Stephan W. Eder, Regine Bönsch

VDI nachrichten•Jan 1, 2021•0 citations

Wie rechnen Quanten? Die neue Welt der Quantencomputer

Ehrhard Behrends

Springer eBooks•Jan 1, 2023•0 citations

Wie rechnen Quanten? Die neue Welt der Quantencomputer

Ehrhard Behrends

Springer eBooks•Jan 1, 2016•0 citations

Experimental photonic quantum machine learning

Zhenghao Yin

Im Zeitalter der noisy intermediate-scale quantum Ära (NISQ) zeigt quantum machine learning bedeutende potenzielle Vorteile in vielen Quantenanwendungen, wie der Lösung linearen Gleichungen, variationalen Quantenalgorithmen und Quantenchemie. Derzeit stützen sich die meisten Verfahren des quantenmaschinellen Lernens auf universelle Quantencomputer-Architekturen, während die Forschung zu photonischen Systemen relativ begrenzt bleibt. Im Gegensatz dazu bieten Photonen Vorteile wie lange Kohärenzzeiten, Raumtemperaturbetrieb und großskalige Quanteninterferenz, wie in Bosonensampling-Experimenten gezeigt. Wie jedoch Einzelphotonen für skalierbare und robuste quantenmaschinelle Lernaufgaben genutzt werden können, bleibt weiterhin eine offene Frage. Aufbauend auf dieser Grundlage und inspiriert von Quanteninterferenz und Photonen-Ununterscheidbarkeit führen wir eine Quanten-Kernel-Methode ein und analysieren Skalierungsgesetze im photonischen quantenmaschinellen Lernen. Die Quanten-Kernel-Methode kodiert klassische Daten in hochdimensionale Fock-Zustand und erweitert dadurch den Merkmalsraum sowie die Datenrepräsentationsfähigkeiten. Wir vergleichen die Quanten-Kernel-Methode auch mit verschiedenen klassischen Kernel-Ansätzen und zeigen experimentell, dass es mit der ersten Methode einen Leistungsboost bei den repräsentativen Datensätze gibt. Darüber hinaus etablieren wir hier ein theoretisches Photonenzahl-Skalierungsgesetz, welches zeigt, dass die Erhöhung der Photonenzahl die Lernkapazität und Dateneffizienz in Lernaufgaben verbessert. Dieses Ergebnis wird vorläufig durch Experimente zum Lernen unitärer Matrizen und Metriklernen validiert. Schließlich untersuchen wir die Anwendung des photonischen quantenmaschinellen Lernens auf die natürliche Sprachverarbeitung und diskutieren die Aussichten des Quanten-Edge-Computing, wobei wir ihre Bedeutung für zukünftige weltraumbasierte Anwendungen hervorheben. Zusammenfassend liefert die in dieser Arbeit präsentierte Forschung eine theoretische Grundlage und experimentelle Evidenz für die skalierbare Implementierung des photonischen quantum machine learning und offenbart dessen potenzielle Vorteile und Anwendungsaussichten in praktischen Aufgaben.

•Jan 1, 2025•0 citations
Im Zeitalter der noisy intermediate-scale quantum Ära (NISQ) zeigt quantum machine learning bedeutende potenzielle Vorteile in vielen Quantenanwendungen, wie der Lösung linearen Gleichungen, variationalen Quantenalgorithmen und Quantenchemie. Derzeit stützen sich die meisten Verfahren des quantenmaschinellen Lernens auf universelle Quantencomputer-Architekturen, während die Forschung zu photonischen Systemen relativ begrenzt bleibt. Im Gegensatz dazu bieten Photonen Vorteile wie lange Kohärenzzeiten, Raumtemperaturbetrieb und großskalige Quanteninterferenz, wie in Bosonensampling-Experimenten gezeigt. Wie jedoch Einzelphotonen für skalierbare und robuste quantenmaschinelle Lernaufgaben genutzt werden können, bleibt weiterhin eine offene Frage. Aufbauend auf dieser Grundlage und inspiriert von Quanteninterferenz und Photonen-Ununterscheidbarkeit führen wir eine Quanten-Kernel-Methode ein und analysieren Skalierungsgesetze im photonischen quantenmaschinellen Lernen. Die Quanten-Kernel-Methode kodiert klassische Daten in hochdimensionale Fock-Zustand und erweitert dadurch den Merkmalsraum sowie die Datenrepräsentationsfähigkeiten. Wir vergleichen die Quanten-Kernel-Methode auch mit verschiedenen klassischen Kernel-Ansätzen und zeigen experimentell, dass es mit der ersten Methode einen Leistungsboost bei den repräsentativen Datensätze gibt. Darüber hinaus etablieren wir hier ein theoretisches Photonenzahl-Skalierungsgesetz, welches zeigt, dass die Erhöhung der Photonenzahl die Lernkapazität und Dateneffizienz in Lernaufgaben verbessert. Dieses Ergebnis wird vorläufig durch Experimente zum Lernen unitärer Matrizen und Metriklernen validiert. Schließlich untersuchen wir die Anwendung des photonischen quantenmaschinellen Lernens auf die natürliche Sprachverarbeitung und diskutieren die Aussichten des Quanten-Edge-Computing, wobei wir ihre Bedeutung für zukünftige weltraumbasierte Anwendungen hervorheben. Zusammenfassend liefert die in dieser Arbeit präsentierte Forschung eine theoretische Grundlage und experimentelle Evidenz für die skalierbare Implementierung des photonischen quantum machine learning und offenbart dessen potenzielle Vorteile und Anwendungsaussichten in praktischen Aufgaben.