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

Quantum Machine Learning Appliances for Tackling Neurological Disorders

Daniel Lode, Marcus Frohme, Alina S. Nechyporenko

Published Jan 1, 2026• 0 citations
OpenAlex

Abstract

Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.

Related papers

Quantenbasierte Maschinelle Lernverfahren zur Behandlung Neurologischer Erkrankungen

Daniel Lode, Marcus Frohme, Alina S. Nechyporenko

Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.

TH Wildau Engineering and Natural Sciences Proceedings•Sep 23, 2026•0 citations

Quantum Convolutional Neural Networks for Jet Images Classification

Hala Elhag

Quantencomputing hat in jüngster Zeit aufgrund seiner potenziellen Vorteile gegenüber klassischer Berechnung in bestimmten Anwendungsbereichen zunehmend an Interesse gewonnen. Eine zentrale Anwendung ist das Quantenmaschinelle Lernen (QML), das darauf abzielt, quantenmechanische Prinzipien zu nutzen, um klassische Methoden in ausgewählten Aufgaben zu übertreffen. Motiviert durch ein Klassifikationsproblem in der Suche nach neuer Physik, insbesondere dem Top-Tagging, untersucht diese Arbeit die Leistungsfähigkeit von QML im Bereich der Hochenergiephysik (HEP). Der Datensatz wird als Jet-Bilder dargestellt, wobei Jets kollimierten Gruppen detektierter Teilchen entsprechen. Während klassische Convolutional Neural Networks (CNNs) für diese Aufgabe effektiv sind, verschlechtert sich ihre Leistung bei komplexen, hochgeboosteten Top-Quark-Signaturen. Daher werden Quantum Convolutional Neural Networks (QCNNs) mithilfe eines rauschfreien Quantensimulators untersucht und mit klassischen CNN-Modellen verglichen. Mehrere QCNN-Architekturen werden evaluiert, wobei Faltungsblöcke, Datenkodierung, Verlustfunktionen und Batchgrößen variiert werden. Für jedes Quantenmodell wird ein entsprechendes klassisches CNN zur fairen Gegenüberstellung konstruiert. Die Ergebnisse zeigen, dass korrekt konfigurierte QCNNs ihre klassischen Gegenstücke in den meisten Szenarien übertreffen. Zur Effizienzsteigerung in ausdrucksstärkeren Modellen wird die Dimensional Expressivity Analysis (DEA) eingesetzt, um die Anzahl trainierbarer Parameter ohne Leistungsverlust zu reduzieren. Das DEA-optimierte QCNN erzielt eine höhere Klassifikationsgenauigkeit und verdeutlicht das Potenzial quantenverstärkter Modelle in realistischen HEP-Anwendungen. Insgesamt zeigt diese Arbeit das Potenzial von QML, insbesondere QCNNs, als wettbewerbsfähigen Ansatz für die Datenanalyse in der HEP und eröffnet Perspektiven für zukünftige Forschung zu klassischen Simulationen und rauschtoleranter Quantenhardware.

•May 20, 2026•0 citations

Quantum Machine Learning Algorithms for Diagnostic Applications: A Review

Shruti S. Pophale, Amit Gadekar

Lecture notes in electrical engineering•Jan 1, 2023•3 citations

Quantum Machine Learning for Biomedical Classification Problems: A Feasibility Study on Real Quantum Hardware

Hongbin Liu, Zhemin Zhang, Kangyu Zheng +4 more

Annals of Biomedical Engineering•May 28, 2026•4 citations

Machine Learning for Quantum Many-Body Physics: Efficient Representation of Vertex Functions

Hepp, Sebastian

In dieser Arbeit werden Techniken des Maschinenlernens in der Vielkörperphysik ange- wendet. Der Fokus liegt auf der Vertexfunktion, einem hochdimensionalen Objekt, das die Wechselwirkungen von Teilchen abbildet und eine Herausforderung für Interpretation und Berechnungen darstellt.Inspiriert von Methodiken in der Objekterkennung entwickeln wir ein Konzept, bei dem ein Autoencoder zum Erlernen einer reduzierten Repräsentation der Vertexfunktion eingesetzt wird. Um quantenphysikalische Besonderheiten erfassen zu können, wird eine Samplingstrategie für Vertices entwickelt. Im Kern dieser Arbeit wird untersucht, ob der dimensional reduzierte Vertexraum ein physikalisches Verständnis der Vertexfunktion erfasst, erlaubt Vertices nicht gelernter Phasen zu extrapolieren und ermöglicht Eigen- schaften eines Vertex mit höherer Konfidenz abzuleiten. Der reduzierte Vertexraum wird weitergehend analysiert, indem ein Klassifizierer gelernt wird, um die Phase aus der reduzierten Repräsentation abzuleiten. Abschließend wird ein Autoencoder trainiert, um den Nachbarn eines Eingabevertex vorherzusagen.Die Experimente zeigen, dass der Autoencoder beim Rekonstruieren reduzierter Vertices sehr niedrige Fehler erreicht, selbst wenn ungelernte Phasen extrapoliert werden. Das demonstriert die Fähigkeit des Modells die physikalischen Grundsätze der Vertexfunktion zu erfassen. Zudem wird lediglich ein sehr geringer Teil der Daten eines Vertex benötigt, um einen effektiven Vertexraum zu erlernen. Durch die Verwendung reduzierter Verti- ces konnte die Genauigkeit der Klassifikation nicht verbessert werden, die Ergebnisse bestätigen allerdings, dass diese wesentliche Eigenschaften der Vertexfunktion erfassen.Für das Vorhersagen eines benachbarten Vertex konnten bisher keine zufriedenstellenden Ergebnisse erzielt werden. Möglichkeiten für eine Verbesserung könnten sein komplexere Modellarchitekturen wie das U-Net einzusetzen oder einen für Rekonstruktion trainierten Autoencoder durch anschließendes Fine-Tuning anzupassen.

•Feb 1, 2026•0 citations

Algoritmos de Quantum Machine Learning em dados humanos reais de saúde para classificação diagnóstica e predição clínica/prognóstica: revisão sistemática de aplicações, validação, desempenho e comparação com modelos clássicos

José Uitelo Menezes Gomes, Thiago Queiroz da Silva, John Hebert da Silva Félix

Identificar, mapear, caracterizar e avaliar criticamente os algoritmos de Quantum Machine Learning, quânticos ou híbridos quântico-clássicos, aplicados em estudos primários com dados humanos reais de saúde para classificação diagnóstica ou predição clínica/prognóstica de doenças humanas, descrevendo os tipos de dados e as doenças avaliadas, as arquiteturas e formas de implementação, as estratégias de validação, as métricas de desempenho e a comparação com modelos clássicos quando disponíveis, além do risco de viés, da reprodutibilidade e do nível de maturidade clínica.

•Jul 21, 2026•0 citations
Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.
Neurologische Erkrankungen gehören weltweit zu den häufigsten Ursachen für Behinderungen und Tod. Laut dem Globalen Statusbericht der Neurologie der WHO sind mehr als 40 Prozent der Weltbevölkerung von neurologischen Erkrankungen betroffen. Um dieser wachsenden Belastung zu begegnen, sind effizientere Datenverarbeitungssysteme und eine verbesserte Überwachung erforderlich, um evidenzbasierte Entscheidungsfindung und Rechenschaftspflicht im Gesundheitswesen zu ermöglichen. Gleichzeitig eröffnen Fortschritte an der Schnittstelle von Quantencomputing und Gesundheitswesen neue Möglichkeiten für medizinische Technologien. Quantenphysikalische Prinzipien werden genutzt, um diagnostische Werkzeuge, Therapieplanung und Patientenversorgung durch höhere Recheneffizienz und Präzision zu verbessern. Klassische Machine-Learning-Modelle stoßen bei hochdimensionalen und komplexen medizinischen Datensätzen, insbesondere im Bereich der Neurologie, häufig an ihre Grenzen. Diese Herausforderung hat das Interesse an Quantum Machine Learning geweckt, das potenziell Vorteile bei der Verarbeitung und Analyse solcher Daten bietet und in bestimmten Anwendungen klassische Methoden übertreffen könnte. In dieser Studie werden klassische Machine-Learning-Klassifikatoren mit Quantum-Machine-Learning-Klassifikatoren, mit Fokus auf Klassifikation neurologischer Erkrankungen, verglichen. Die Ergebnisse zeigen, dass Quantenmodelle weiter verfeinert und problemspezifisch angepasst werden müssen, um konkurrenzfähig zu sein. Obwohl frühere Studien mögliche Vorteile nahelegen, sind maßgeschneiderte Quantenalgorithmen und weitere Forschung erforderlich, um das Potenzial des Quantencomputings in der Medizin vollständig auszuschöpfen.
Quantencomputing hat in jüngster Zeit aufgrund seiner potenziellen Vorteile gegenüber klassischer Berechnung in bestimmten Anwendungsbereichen zunehmend an Interesse gewonnen. Eine zentrale Anwendung ist das Quantenmaschinelle Lernen (QML), das darauf abzielt, quantenmechanische Prinzipien zu nutzen, um klassische Methoden in ausgewählten Aufgaben zu übertreffen. Motiviert durch ein Klassifikationsproblem in der Suche nach neuer Physik, insbesondere dem Top-Tagging, untersucht diese Arbeit die Leistungsfähigkeit von QML im Bereich der Hochenergiephysik (HEP). Der Datensatz wird als Jet-Bilder dargestellt, wobei Jets kollimierten Gruppen detektierter Teilchen entsprechen. Während klassische Convolutional Neural Networks (CNNs) für diese Aufgabe effektiv sind, verschlechtert sich ihre Leistung bei komplexen, hochgeboosteten Top-Quark-Signaturen. Daher werden Quantum Convolutional Neural Networks (QCNNs) mithilfe eines rauschfreien Quantensimulators untersucht und mit klassischen CNN-Modellen verglichen. Mehrere QCNN-Architekturen werden evaluiert, wobei Faltungsblöcke, Datenkodierung, Verlustfunktionen und Batchgrößen variiert werden. Für jedes Quantenmodell wird ein entsprechendes klassisches CNN zur fairen Gegenüberstellung konstruiert. Die Ergebnisse zeigen, dass korrekt konfigurierte QCNNs ihre klassischen Gegenstücke in den meisten Szenarien übertreffen. Zur Effizienzsteigerung in ausdrucksstärkeren Modellen wird die Dimensional Expressivity Analysis (DEA) eingesetzt, um die Anzahl trainierbarer Parameter ohne Leistungsverlust zu reduzieren. Das DEA-optimierte QCNN erzielt eine höhere Klassifikationsgenauigkeit und verdeutlicht das Potenzial quantenverstärkter Modelle in realistischen HEP-Anwendungen. Insgesamt zeigt diese Arbeit das Potenzial von QML, insbesondere QCNNs, als wettbewerbsfähigen Ansatz für die Datenanalyse in der HEP und eröffnet Perspektiven für zukünftige Forschung zu klassischen Simulationen und rauschtoleranter Quantenhardware.
In dieser Arbeit werden Techniken des Maschinenlernens in der Vielkörperphysik ange- wendet. Der Fokus liegt auf der Vertexfunktion, einem hochdimensionalen Objekt, das die Wechselwirkungen von Teilchen abbildet und eine Herausforderung für Interpretation und Berechnungen darstellt.Inspiriert von Methodiken in der Objekterkennung entwickeln wir ein Konzept, bei dem ein Autoencoder zum Erlernen einer reduzierten Repräsentation der Vertexfunktion eingesetzt wird. Um quantenphysikalische Besonderheiten erfassen zu können, wird eine Samplingstrategie für Vertices entwickelt. Im Kern dieser Arbeit wird untersucht, ob der dimensional reduzierte Vertexraum ein physikalisches Verständnis der Vertexfunktion erfasst, erlaubt Vertices nicht gelernter Phasen zu extrapolieren und ermöglicht Eigen- schaften eines Vertex mit höherer Konfidenz abzuleiten. Der reduzierte Vertexraum wird weitergehend analysiert, indem ein Klassifizierer gelernt wird, um die Phase aus der reduzierten Repräsentation abzuleiten. Abschließend wird ein Autoencoder trainiert, um den Nachbarn eines Eingabevertex vorherzusagen.Die Experimente zeigen, dass der Autoencoder beim Rekonstruieren reduzierter Vertices sehr niedrige Fehler erreicht, selbst wenn ungelernte Phasen extrapoliert werden. Das demonstriert die Fähigkeit des Modells die physikalischen Grundsätze der Vertexfunktion zu erfassen. Zudem wird lediglich ein sehr geringer Teil der Daten eines Vertex benötigt, um einen effektiven Vertexraum zu erlernen. Durch die Verwendung reduzierter Verti- ces konnte die Genauigkeit der Klassifikation nicht verbessert werden, die Ergebnisse bestätigen allerdings, dass diese wesentliche Eigenschaften der Vertexfunktion erfassen.Für das Vorhersagen eines benachbarten Vertex konnten bisher keine zufriedenstellenden Ergebnisse erzielt werden. Möglichkeiten für eine Verbesserung könnten sein komplexere Modellarchitekturen wie das U-Net einzusetzen oder einen für Rekonstruktion trainierten Autoencoder durch anschließendes Fine-Tuning anzupassen.
Identificar, mapear, caracterizar e avaliar criticamente os algoritmos de Quantum Machine Learning, quânticos ou híbridos quântico-clássicos, aplicados em estudos primários com dados humanos reais de saúde para classificação diagnóstica ou predição clínica/prognóstica de doenças humanas, descrevendo os tipos de dados e as doenças avaliadas, as arquiteturas e formas de implementação, as estratégias de validação, as métricas de desempenho e a comparação com modelos clássicos quando disponíveis, além do risco de viés, da reprodutibilidade e do nível de maturidade clínica.