KI News: Kurz und klar.

In der heutigen Technologiebranche teilen Quantencomputer und künstliche Intelligenz ein gemeinsames Merkmal: Sie können Fehler machen. Doch gerade diese Fehler sind kein Hindernis, sondern ein Ansporn, neue Lösungen zu entwickeln.

Ein neues Verfahren namens Variational Quantum Rainbow DQN (VQR‑DQN) kombiniert die Stärken von Quantencomputern mit dem bewährten Rainbow Deep Q‑Network, um das schwierige Problem der Ressourcenallokation zu lösen. Durch die Einbindung ring‑topologischer variationaler Quantenkreise nutzt VQR‑DQN Quanten‑Superposition und -Verflechtung, um die Repräsentationskraft der Lernalgorithmen deutlich zu erhöhen.

Das Open Compute Project (OCP) hat einen neuen Arbeitsbereich ins Leben gerufen, um herauszufinden, wie Quantencomputer gemeinsam mit klassischen Hochleistungsrechnern in denselben Rechenzentren betrieben werden können. Ziel ist es, die Synergien beider Technologien zu nutzen und gleichzeitig die Infrastruktur effizient zu gestalten.

Der CEO von Palo Alto Networks, Nikesh Arora, hat in einer kürzlichen Pressemitteilung davor gewarnt, dass feindliche Staaten bis 2029 Quantencomputer besitzen könnten – möglicherweise sogar schon etwas früher. Damit würden die derzeitigen Sicherheitslösungen, die auf klassischen Algorithmen basieren, bald an ihre Grenzen stoßen.

IBM Cloud hat einen Ausfall eines seiner Quantencomputer gemeldet, was die Branche erneut in Aufruhr versetzt. Trotz der üblichen „Neustart“-Lösung scheint diese bei Quantencomputern nicht zu funktionieren, da Qubits gleichzeitig in mehreren Zuständen existieren können. Durch die Meldung hat IBM die Konkurrenz AWS und Microsoft übertroffen und die Aufmerksamkeit auf die Herausforderungen der Quanteninfrastruktur gelenkt. Die genaue Ursache des Ausfalls ist noch nicht bekannt, aber Experten erwarten, dass IBM schnell an einer Lösung arbeitet, um die Verfügbarkeit wiederherzustellen.

Der Artikel auf Towards Data Science beleuchtet die Grundlagen des Quanten-Maschinenlernens und erklärt, wie Quantencomputer die Leistungsfähigkeit von ML-Algorithmen steigern können. Durch die Nutzung von Superposition und Verschränkung können komplexe Datenmuster schneller erkannt und optimiert werden.

Quantencomputer versprechen, ganze Branchen zu revolutionieren. Der Fortschritt hängt jedoch davon ab, zentrale Probleme zu lösen.

Heute erhielt ich eine Flut von E‑Mails, in denen ich gebeten wurde, zu einem neuen Papier von HSBC – ja, der Bank – zusammen mit IBM Stellung zu nehmen. Das Dokument behauptet, ein Quantencomputer könne einen 34‑Prozent‑Vorsprung bei der Vorhersage von Finanzhandelsdaten erzielen.

Die neuesten Entwicklungen bei Noisy Intermediate-Scale Quantum (NISQ)-Geräten zeigen, dass Quantencomputer bereits bei klassischen Problemen Vorteile bieten, von Physiksimulationen bis hin zu Gaussian Boson Sampling. Für Laien bleibt die Umsetzung dieser Vorteile jedoch schwierig, weil das Programmieren in Open Quantum Assembly Language (OpenQASM) komplex ist.

Mit dem Aufkommen von Quantencomputern eröffnet sich ein neues Feld für die Erkennung von Malware. In einer aktuellen Studie werden zwei hybride Quanten‑klassische Modelle – der Quantum Multilayer Perceptron (QMLP) und das Quantum Convolutional Neural Network (QCNN) – für die Malware‑Klassifikation untersucht.

Variationsquantumalgorithmen (VQAs) gelten als vielversprechende Methode, um aktuelle Quantencomputer für Optimierungsaufgaben, Chemiesimulationen und maschinelles Lernen zu nutzen. Ihr Erfolg wird jedoch häufig durch das sogenannte „barren plateau“-Phänomen begrenzt, bei dem die Gradienten mit zunehmender Schaltungstiefe exponentiell abnehmen und das Training stark verlangsamen.