Quantenmaschinelles Lernen für robotische Anwendungen

Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.
Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.
Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.
Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.Bild: DFKI, Florian Cordes

In den drei vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) geförderten Projekten QuDA-KI, QuBER-KI und QuMAL-KI arbeiten das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) und die Universität Bremen daran, quantenunterstützte maschinelle Lernverfahren für robotische Anwendungen nutzbar zu machen. Durch die Entwicklung bedarfsorientierter und niedrigschwelliger Qualifikationsbausteine wollen die Wissenschaftler dazu beitragen, dem Fachkräftemangel im Technologiefeld der quantenbasierten Künstlichen Intelligenz entgegenzuwirken. Die untersuchten Verfahren umfassen neben rein quantenbasierten Ansätzen auch hybride Verfahren, bei denen bestimmte Anteile des Algorithmus auf Quantencomputer ausgelagert werden, während die Verarbeitung des restlichen Teils auf einem klassischen Computer erfolgt.

Veröffentlicht am
Kategorisiert in Robotik

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert