Blog
Quantum Machine Learning: Neue Wege mit stochastischen neuronalen Netzwerken
Wie sich neuronale Netze als Quanten-Gatter-Schaltungen formulieren lassen — mit stochastischen Neuronen statt deterministischer Aktivierungsfunktionen. Eine Arbeit aus dem QUICS-Konsortium, inklusive interaktiver Demo, in der ein trainiertes QNN Flappy Bird spielt.
Neuronale Netze vs. quantenneuronale Netze: Was verändert sich wirklich?
Ein praxisnaher Vergleich klassischer neuronaler Netze und PQC-basierter quantenneuronaler Netze mit Fokus auf Datencodierung, Messung und hybrides Training.
Von klassischem zu quantenbasiertem maschinellem Lernen
Eine praxisnahe Einführung in klassische neuronale Netze, Quanten-Maschinelles-Lernen und hybride Quantennetzwerke auf Basis parametrisierter Quantenschaltungen.
Quantenmagie: Was QC kann und was nicht
Verschränkung allein reicht nicht für einen Quantenvorteil. Dieser Blogpost erklärt die notwendige Ressource "Magie", warum T-Gates den Unterschied machen und wo die Grenzen der Technologie liegen.
Vehicle Routing Problem mit Quantum-Annealing
Quantum-Annealing hilft, komplexe Logistikprobleme wie das Vehicle Routing Problem zu lösen. Wir teilen das Problem in eine Cluster- und Routephase, kodieren es als QUBO und lösen es mit einem D-Wave Simulator.
Gatter-basiertes Quantencomputing vs. Quantum-Annealing
Gatter-basiertes Quantencomputing und Quantum-Annealing sind zwei Ansätze um Quantencomputing zu implementieren. Der erste ist universell, der zweite perfekt für Optimierung.
QC für Materialwissenschaft
OpenFermion macht es einfach, komplexe Quantensysteme wie das Bose-Hubbard-Modell zu simulieren. Übergang von Superfluidität zum Mott-Isolator.