Quantum Machine Learning (QML) hat sich in den letzten Jahren zu einem viel diskutierten Begriff entwickelt, der jedoch oft missverstanden wird. Seine Ursprünge reichen bis 2013 zurück, als Google und NASA das Quantum Artificial Intelligence Lab gründeten, um zu erforschen, wie Quantencomputer für maschinelles Lernen genutzt werden könnten. Seitdem wird der Begriff in Forschungspublikationen und Startups unterschiedlich verwendet. Oft wird er fälschlicherweise mit schnellerer Berechnung, klassischen neuronalen Netzen oder vagen Versprechen von Quantenvorteilen gleichgesetzt. Die wahre Essenz des QML liegt jedoch in einer fundamentalen Unterscheidung: Es geht nicht um Geschwindigkeit oder die Art des Netzwerks, sondern darum, wie Informationen dargestellt, transformiert und ausgelesen werden. Im klassischen maschinellen Lernen werden Daten numerisch als Vektoren oder Matrizen repräsentiert, durch parametrisierte Modelle transformiert und durch die Optimierung einer Kostenfunktion angepasst. Das Ergebnis wird statistisch ausgewertet. Beim QML ändert sich der Substrat des Computings zu Quanteninformation. Dies manifestiert sich in drei wesentlichen Aspekten. Erstens werden Daten als Quantenzustände dargestellt. Diese komplexen Vektoren folgen den Gesetzen der Quantenmechanik und nutzen Überlagerungszustände, anstatt klassische Bits oder Gleitkommazahlen zu verwenden. Die Information wird in komplexwertigen Amplituden kodiert, was jedoch nicht bedeutet, dass klassische Daten automatisch komprimiert werden; das Laden solcher Daten bleibt rechenintensiv. Zweitens sind die Modelle selbst Quantenevolutionen. Während klassische Modelle Funktionen auf Daten anwenden, wenden Quantenmodelle quantenmechanische Operationen an. Diese werden oft durch parametrisierte Quantenschaltkreise umgesetzt, die aus Sequenzen von Quantengattern bestehen. Die Parameter dieser Gatter werden während des Trainings angepasst, ähnlich wie Gewichte in klassischen neuronalen Netzen. Die zugrundeliegende Physik beschreibt eine zeitliche Entwicklung des Systemzustands, was einen strukturell anderen Hypothesenraum eröffnet als bei klassischen Ansätzen. Drittens ist die Messung integraler Bestandteil des Lernprozesses. In der klassischen Informatik ist das Auslesen eines Ergebnisses deterministisch und zerstört den Zustand nicht. In der Quantenwelt ist die Messung jedoch probabilistisch und zerstört den Quantenzustand. Daher müssen Quantenschaltkreise viele Male ausgeführt werden, sogenannte „Shots", um das Ergebnis statistisch zu schätzen. Die für das Training benötigten Gradienten werden ebenfalls aus diesen Stichproben geschätzt, was die Trainingskosten dominiert. Unsicherheit ist somit ein inhärenter Teil des Modells. Nicht jedes Projekt, das den Namen Quantum Machine Learning trägt, ist in der Tat quantenmechanisch fundiert. Wenn ein Quantenteil durch einen klassischen Algorithmus ersetzt werden kann, ohne die mathematische Struktur zu verändern, handelt es sich nicht um echtes QML. Aktuell befindet sich das Feld aufgrund der begrenzten und fehleranfälligen Hardware noch in einer explorativen Phase. Die Forschung konzentriert sich auf das Verständnis der Quantenlerntheorie und die Identifizierung von Bereichen, in denen die Quantenstruktur einen echten Vorteil bieten könnte. Die Bedeutung des QML liegt weniger im heutigen Geschwindigkeitsvorteil, sondern im erweiterten Verständnis dessen, was Lernen in einer quantenmechanischen Welt bedeuten kann. Es zwingt Forscher dazu, fundamentale Fragen zu neuem Datenlernen, Rauscheinflüssen und neuen Modellklassen zu stellen. Während heutige Quantencomputer noch keine komplexen Anwendungen ausführen können, bereitet die theoretische und konzeptionelle Arbeit auf zukünftige, fehlerkorrigierte Hardware vor und ebnet den Weg für echte Durchbrüche in der Technologie.