Quantum Machine Learning

Очакван резултат:интегриране на квантовите изчислителни технологии в тръбопроводите за предварителна обработка на данни и в работните процеси за обучение за задачи, изискващи големи обеми от данни или интензивно използване на изчисления, като се демонстрират ясни подобрения в скоростта на обработка, изчислителната сложност, точността на моделирането и намалените изисквания за извадки в мащаби, постижими с устройства от ерата на NISQ,Надеждни и мащабируеми модели и алгоритми за квантово машинно самообучение (QML), интегрирани със съществуващите рамки и тръбопроводи за ИИ, позволяващи по-бърза обработка на данни, подобрена точност на прогнозиране и подобрени изчислителни възможности,валидирани квантово усъвършенствани методи с ИИ, показващи измерими подобрения спрямо класическите базови стойности по отношение на скорост, точност, ефективност на данните, сложност или мащабируемост, подкрепени от строг сравнителен анализ и анализ на сложността,Здрави, отчитащи шума техники за QML, подходящи за хардуера на NISQ, включително стратегии за намаляване на грешките и алгоритмични адаптации, които подобряват надеждността, производителността и възпроизводимостта на реални квантови процесори,Демонстратори или приложения за доказване на концепцията, показващи значението на ГКМ за реални предизвикателства (напр. моделиране на климата и околната среда, наблюдение на Земята, здравеопазване и науки за живота, откриване на материали, финанси, роботика, производство и киберсигурност),Засилени водещи позиции и технологичен суверенитет на Европа в областта на квантовите изчислителни технологии и надеждния ИИ, подкрепени от междусекторно сътрудничество, трансфер на знания и принос към нововъзникващи стандарти, референтни показатели и най-добри практики.Засилено сътрудничество в областта на квантовите изчислителни технологии, машинното самообучение и приложенията, насърчаване на координирана европейска общност за научни изследвания и иновации в областта на QML. Обхват:Очаква се предложенията да бъдат насочени към множество ключови изследователски направления в квантовото машинно самообучение (QML), насочени както към високи научни постижения, така и към промишлено значение. В предложенията следва ясно да се очертае как да се допринесе за разработването, валидирането и демонстрирането на подходи с ИИ с квантово подобрение, с ясни пътища към практически приложения. Предложената работа следва да укрепи научните и технологичните способности на Европа в областта на квантовите изчислителни технологии и да ускори промишленото внедряване на решения с ИИ с квантово подобрение.Дейностите могат да включват, но не се ограничават до:проектиране и анализ на квантови, вдъхновени от квантовите технологии или хибридни алгоритми за QML,моделиране на ефективността, анализ на сложността и сравнителен анализ на квантово усъвършенствани методи с ИИ,разработване на стратегии за намаляване на грешките и намаляване на шума, съобразени с работното натоварване на QML, Предложенията следва да усъвършенстват мащабируеми алгоритми за QML, способни да се справят с мащабни, изчислително интензивни проблеми, като това включва подходи, които:може да управлява масивни обеми от данни и сложни изчислителни задачи,дават възможност за по-бърза обработка на данните и подобрена предсказуемост в съответните области на приложение (напр. хидроложки изследвания, моделиране на климата, класификация на терена чрез сателитно дистанционно наблюдение, откриване на лекарства и медицинска диагностика, основана на изображения). Много от настоящите методи за QML остават тясно вдъхновени от класическите алгоритми и поради това все още не постигат истинско квантово предимство, което изисква по-нататъшно развитие вквантово-местни модели на обучение,ефективни квантови ядра и картографиране на квантови характеристики,алгоритми, демонстриращи доказуеми или емпирични предимства пред класическите подходи. Предложенията могат да включват и формални анализи на сложността, идентифициране на класове проблеми, които могат да се възползват от квантовото ускорение.Разработките следва да са насочени към няколко от следните ключови направления на научните изследвания:Квантово контролирано обучение (QSL):Квантовото контролирано обучение изследва как квантовите алгоритми могат да ускорят или подобрят обучението на модели за контролирано обучение, като предлагат нови възможности за проучване на квантово-класически теории за обучение и дават възможност на промишлеността да съкрати циклите на развитие и да подобри резултатите в области с интензивно използване на данни, като финанси, здравеопазване и наблюдение на Земята. Интегрирането на QSL в съществуващите тръбопроводи може да помогне за преодоляване на изчислителните затруднения и да даде възможност за по-ефективна обработка на високоизмерни данниВ предложенията следва да се проучат квантовите алгоритми и квантовите подпрограми, които могат да бъдат интегрирани в класическите тръбопроводи за ИИ, за да се смекчат затрудненията при изчисленията, да се подобри ефективността във високоизмерни или широкомащабни среди и да се постигнат измерими ползи от ефективността. Дейностите следва да включват разработването и валидирането на такива методи с демонстрации в съответните случаи на академична или промишлена употреба. Квантови конволюционни невронни мрежи (QCNN)Квантовите конволюционни невронни мрежи съчетават концептуалните силни страни на класическите конволюционни архитектури с изчислителните предимства на квантовата обработка, като предлагат обещаващ тест за изследване на експресивността и ефективността в хибридните модели и предоставят на индустрията практически път към краткосрочно квантово предимство чрез използване на QPU по време на обучение, като същевременно запазват класическия извод за мащабируемост и съвместимост със съществуващите системи с ИИ.Предложенията следва да проучат разработването и оценката на хибридни QCNN архитектури, които използват квантова обработка за обучение, да проучат тяхната експресивност, производителнос