M. Sc.

Theodora-Augustina Drăgan

Wissenschaftliche Mitarbeiterin

Theodora-Augustina Drăgan studierte Informatik mit dem Schwerpunkt Maschinelles Lernen und den Nebenfächern Quantencomputing und Softwareentwicklung an der Technischen Universität München. Im zweiten und letzten Jahr ihres Masterstudiums kam sie zum Fraunhofer-Institut für Kognitive Systeme IKS, wo sie ihre Masterarbeit über Quantum Reinforcement Learning schrieb.

Seit Oktober 2022 arbeitet sie am Fraunhofer IKS als wissenschaftliche Mitarbeiterin im Bereich des anwendungsorientierten Quanten-Maschinenlernens. Sie beschäftigt sich mit der Frage, wie eine Quantum-Reinforcement-Learning-Lösung für Anwendungsfälle unterschiedlicher Komplexität aufgebaut sein sollte, wobei sowohl Quanten- als auch klassische Aspekte berücksichtigt werden.

Artikel

von Theodora-Augustina Drăgan

Maschinelles Lernen
Quantencomputing hilft Reinforcement Learning auf die Sprünge

Reinforcement Learning ist aufgrund der Trainingsmethode die am besten geeignete KI-Lösung (Künstliche Intelligenz) für eine Vielzahl von Anwendungen in den Bereichen autonome Systeme, Gesundheitswesen und Kommunikation. Die Natur dieser Aufgaben macht jedoch die Datenerfassung potenziell ressourcenintensiv, in einigen Anwendungsszenarien sogar unmöglich. Hier könnte Reinforcement Learning davon profitieren, Methoden des Quantencomputing einzubeziehen: Hybrides quantenklassisches Reinforcement Learning hat nämlich empirisch gezeigt, dass es weniger Trainingsschritte benötigt, um einen stabilen Lernprozess zu erreichen. Das Fraunhofer IKS forscht an Lösungen, die sich auch für den Einsatz in der Industrie eignen.

Quantencomputing

3. November 2023

Theodora-Augustina Drăgan

Artikel

Maschinelles Lernen Quantencomputing hilft Reinforcement Learning auf die Sprünge

Maschinelles Lernen
Quantencomputing hilft Reinforcement Learning auf die Sprünge