Mathematisches Schließen in kleinen Sprachmodellen: Vergleich von Herausforderungen und Potenzialen verschiedener Prompting-Strategien
Autor/in: Patrik FelbingerBetreuung: Philipp Altmann, Thomas GaborAbgeschlossen am: 14. Januar 2026
Empirische Evaluation der Auswirkungen des Designs von Quantenschaltkreis-Ansätzen auf überwachtes Lernen
Autor/in: Alexander KovacsBetreuung: Michael Poppel, Jonas SteinAbgeschlossen am: 14. Januar 2026
Zutatenerkennung und relative Mengenabschätzung in Lebensmittelbildern auf hardwarebeschränkten Systemen
Autor/in: Michael AnderleBetreuung: Gerhard Stenzel, Michael KölleAbgeschlossen am: 3. Dezember 2025
Vergleich von Ameisenalgorithmus und Dijkstra-Algorithmus für Routing in Quantennetzwerken
Autor/in: Felix MichlBetreuung: Leo Sünkel, Tobias RoheAbgeschlossen am: 3. Dezember 2025
Generalisierung in einem natürlichsprachlich basierten genetischen Algorithmus
Autor/in: Sarah GernerBetreuung: Thomas Gabor, Gerhard StenzelAbgeschlossen am: 12. November 2025
Vergleich von Echo State Networks und Spiking Neural Networks für Reservoir Computing
Autor/in: Flo HelmbergerBetreuung: Philipp Altmann, Thomas GaborAbgeschlossen am: 12. November 2025
Verbesserung von kooperativem MARL durch Curriculum Learning für dynamische Rollenzuweisung
Autor/in: David EngelBetreuung: Maximilian Zorn, Philipp AltmannAbgeschlossen am: 12. November 2025
Erforschung der praktischen Anwendung von quantenbasierter Self-Attention für Quanten-Vision-Transformers
Autor/in: Joel FurtakBetreuung: Jonas Stein, Michael KölleAbgeschlossen am: 12. November 2025
Vision Transformer (ViTs) haben sich als leistungsstarke Alternative zu Convolutional Neural Networks im Bereich der Computer Vision etabliert und zeigen durch ihre Fähigkeit, globale Zusammenhänge mittels des Self-Attention Mechanismus zu erfassen, überragende Leisutngen in zahlreichen ufgabenbereichen. Im Gegensatz zu vorherigen Methoden, welche sich hauptsächlich auf lokale Merkmale konzentrieren, erlernen ViTs Beziehungen zwischen Bildausschnitten ("Patches") und ermöglichen flexible Architekturen, die globale Abhängigkeiten effektiv modellieren können. Trotz seines Erfolgs leidet der Self- Attention Mechanismus von ViTs in ressourcenbeschränkten und echtzeitkritischen Anwendungen unter erheblichen Rechenaufwand. Diese Einschränkung motiviert die Erforschung von Quantumcomputing basierten Ansätzen, welche die globale Modellierungsfähigkeit von ViTs beibehalten und gleichzeitig den Rechenaufwand der Self-Attention verringern. Während einige Ansätze darauf setzen, den Self-Attention Mechanismus mithilfe trainierbarer Compound-Matrizen nachzubilden, schlägt diese Arbeit eine Quantum Vision Transformer (QViT) Architektur vor, welche die Quantum Singular Value Transformation (QSVT) nutzt um den Self-Attention Mechanismus zu approximieren, und somit nativ im Quantumparadigma formuliert ist. Das vorgeschlagene Modell kodiert zuerst mithilfe eines parametrisierten Quantenschaltkreises (PQC) patch-weise Bildeinbettungen, die anschließend durch eine Linear Combination of Unitaries (LCU) zu einer Attention-ähnlichen Mischung ihrer Repräsentationen kombiniert werden. Danach wird eine Quantum Singular Value Transformation (QSVT) angewandt, um nicht-lineare Transformationen zu ermöglichen. Zusätzlich erweitert ein quantenbasiertes Klassifikationsmodul das Datenregister um trainierbare Klassen-Qubits, die als Quantenäquivalent zum klassischen "Class Token" dienen und durch Messung zur Ermittlung des Outputs verwendet werden. Um die Leistungsfähigkeit des vorgeschlagenen Modells zu testen, wird es für Bildklassifikationen auf den Bars-and-Stripes- und Binary-MNIST-Datensätzen angewandt, auf welchen Genauigkeiten von bis zu ~99% erreicht. Weiterhin zeigt eine Analyse der Komplexität des Modells einen geringeren Parameter- und theoretisch niedrigeren Laufzeitaufwand auf Basis der Input-Größen. Die in dieser Arbeit erzielten Ergebnisse dienen als Proof-of-Concept für das vorgeschlagene QViT-Modell und seine potenziellen Anwendungen bei Aufgaben im Bereich der Computer Vision.
Offline Quantum Reinforcement Learning mittels metaheuristischen Optimierungsstrategien
Autor/in: Frederik BickelBetreuung: Michael Kölle, Julian HagerAbgeschlossen am: 8. Oktober 2025
In dieser Arbeit wird offline Quantum Reinforcement Learning (QRL) metaheuristischen Optimierungsverfahren untersucht. O!ine Reinforcement Learning (RL) ermöglicht es, Agenten ausschließlich auf Basis fixer Datensätze zu trainieren, anstatt durch direkte Interaktion mit der Umgebung. Dadurch eignet sich dieser Ansatz besonders für reproduzierbare Studien und kontrollierte Vergleiche. Für CartPole-v1 wurde hierzu ein Datensatz erstellt, der eine Kombination verschiedener Strategien umfasst. Auf diesem Datensatz wurde die Leistungsfähigkeit von vier gradientenfreien Metaheuristiken evaluiert: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Simulated Annealing (SA) und Tabu Search (TS). Trainiert wurde ein DQN-Agent mit einem Variational Quantum Circuit (VQC). Die Ergebnisse wurden ebenfalls mit einem gradientenbasierten Optimierer (Adam) verglichen.Unsere Ergebnisse zeigen, dass alle Metaheuristiken die gradientenbasierte Referenz deutlich übertreffen. SA erzielte die beste Endleistung, gefolgt von TS, GA und PSO. Damit wird deutlich, dass gradientenfreie Optimierungsansätze klare Vorteile gegenüber Adam bei VQCs bieten. Dies gilt auch im Offline-Ansatz, in dem die Optimierung unter eingeschränktem Datenzugang und ohne weitere Umgebungsinteraktion erfolgen muss. Durch die Entkopplung des Trainings von Interaktionen mit der Umgebung bietet dieser Ansatz eine praktischen Möglichkeit der Skalierung von QRL-Experimenten unter realistischen Ressourcenbeschränkungen. Dies ist vor allem in Anwendungsbereichen relevant, in denen Interaktionen mit der Umgebung teuer oder sicherheitskritisch sind. Somit etabliert diese Arbeit offline QRL mit metaheuristischen Optimierungsstrategien als eine vielversprechende Forschungsrichtung, und macht zugleich auf bestehende Herausforderungen wie Distributionsverschiebung und begrenzte Konvergenz bei nur einem Datensatzdurchlauf aufmerksam.
Geometrische Quanten-GANs: Topologiegesteuerte Architekturen für Graphengenerierung
Betreuung: Tobias RoheAbgeschlossen am: 1. Oktober 2025
Die generative Modellierung komplex strukturierter Daten, wie beispielsweise Graphen mit eingebetteten geometrischen Beschränkungen, stellt für klassische Ansätze des maschinellen Lernens nach wie vor eine grundlegende Herausforderung dar. In dieser Studie untersuchen wir das Potenzial von Quantum Generative Adversarial Networks (QuGANs), diese Einschränkungen zu überwinden, indem wir uns auf eine repräsentative Benchmark-Aufgabe konzentrieren: die Generierung von vollständigen Graphen mit vier Knoten (K4), die plausible Flug-Routen / -Topologien widerspiegeln. Diese Graphen müssen wichtige geometrische Eigenschaften erfüllen, um innerhalb des euklidischen Raums als physikalisch gültig zu gelten, insbesondere die Dreiecksungleichung für alle Unterdreiecke und die Ptolemäische Ungleichung für jedes Vierer-Knotenpaar. Wir präsentieren eine strenge vergleichende Analyse zwischen einem klassischen Generative Adversarial Network (GAN) und mehreren hybriden QuGAN-Varianten, die jeweils eine unterschiedliche Quanten-Generatorarchitektur verwenden. Dazu gehören ein generischer und ein problemorientierter verschränkter Ansatz, der die strukturellen Prioren der Zielgraphen direkt in das Design des Quantenschaltkreises einbezieht.
Evolutionäre Optimierung von Variationellen Quantum Circuits mit Hoher Genauigkeit und Minimaler Anzahl an Parameterisierten Gattern
Autor/in: Tobias DaakeBetreuung: Leo Sünkel, Maximilian ZornAbgeschlossen am: 17. September 2025
Variational Quantum Circuits (VQCs) stellen einen der vielversprechendsten Ansätze dar, um die Fähigkeiten von Quantencomputern der nahen Zukunft zu nutzen. Obwohl sie ein hohes Maß an Flexibilität und Anpassungsfähigkeit bieten, stehen VQCs vor erheblichen Herausforderungen, insbesondere in Bezug auf Trainierbarkeit und Skalierbarkeit. Um diese Einschränkungen zu überwinden, untersucht diese Arbeit den Einsatz evolutionärer Algorithmen zur automatischen Generierung von VQCs mit einer minimalen Anzahl parametrisierter Gatter. Dieser Ansatz ermöglicht eine systematische Untersuchung der Rolle, die solche Gatter bei der Optimierung von VQCs für gängige Benchmark-Probleme spielen. Die vorgeschlagene Methode wird im Zusammenhang mit einer Klassifizierungsaufgabe bewertet, wobei besonderes Augenmerk auf die Klassifizierungsgenauigkeit und die Anzahl der erforderlichen parametrisierten Gatter gelegt wird. Die Experimente wurden an zufälligen Schaltungen mit 4 und 6 Qubits mit variabler Schaltungstiefe durchgeführt. Die Ergebnisse zeigen, dass die Reduzierung der Anzahl der Parameter den Optimierungsprozess verbessert, was zu Klassifikatoren führt, die eine größere Robustheit und eine verbesserte Genauigkeit aufweisen.
Feinabstimmung von LLMs in Lehrer-Schüler-Umgebungen: Verbesserung der Code-Performance mittels RL
Autor/in: Wei YuBetreuung: Gerhard Stenzel, Maximilian ZornAbgeschlossen am: 17. September 2025
Geometriebewusste Quanten-GANs: Topologie-geführte Architekturen für Graphgenerierung
Autor/in: Markus BaumannBetreuung: Tobias RoheAbgeschlossen am: 17. September 2025
Masked Encoder mit Projektionsschicht für Anomalie-Erkennung
Autor/in: Anna SimonBetreuung: Robert Müller, Michael KölleAbgeschlossen am: 17. September 2025
Query-effizientes Reinforcement Learning aus Präferenzen
Autor/in: Johannes KindermannBetreuung: Philipp Altmann, Jonas NüßleinAbgeschlossen am: 17. September 2025
Anwendbarkeit von QAOA auf die Minimierung der Teleportationskosten im verteilten Quantencomputing
Autor/in: Tim HenningnerBetreuung: Leo Sünkel, Jonas SteinAbgeschlossen am: 6. August 2025
Effiziente Reinforcement-Learning-Curriculum-Generierung durch Quality-Diversity-Methoden
Autor/in: Nicole KilianBetreuung: Max Zorn, Philipp AltmannAbgeschlossen am: 6. August 2025
Verbesserung der Expressivität in hybriden QuGANs für strukturierte Graphgenerierung
Autor/in: Emily BurtonBetreuung: Tobias Rohe, Leo SünkelAbgeschlossen am: 6. August 2025
Erstellung und empirische Auswertung synthetischer Daten für NP-schwere Optimierungsprobleme
Autor/in: Gordian HuneckeBetreuung: Jonas Nüßlein, Julian SchönbergerAbgeschlossen am: 6. August 2025
Gradient Descent Optimizability of Final Productive Fitness Landscapes in Evolutionary Algorithms
Autor/in: Christoph PöltBetreuung: Thomas Gabor, Max ZornAbgeschlossen am: 6. August 2025
Untersuchung der Noise Resilienz von Variationellen Quantum Schaltkreisen in Reinforcement Learning Umgebungen
Autor/in: Justin Dominik Marinus KleinBetreuung: Julian Hager, Michael KölleAbgeschlossen am: 2. Juli 2025
Diese Bachelorarbeit untersucht die Robustheit von Variational Quantum Circuits (VQCs) im Reinforcement Learning (RL) im Vergleich zu klassischen neuronalen Netzwerken unter dem Einfluss von Observation Noise. Observation Noise beschreibt hierbei die Unsicherheit, die entsteht, wenn die von einem RL-Agenten wahrgenommenen Zustände von den tatsächlichen Zuständen der Umgebung abweichen, etwa durch Sensorrauschen, Umwelteinflüsse oder gezielte adversariale Angriffe. Ein deterministischer REINFORCE-Algorithmus wird angewendet, der statt des üblichen stochastischen Samplings stets die Aktion mit der höchsten Wahrscheinlichkeit wählt. Diese methodische Entscheidung ermöglicht eine gezielte Analyse des direkten Einflusses von Observation Noise auf die Policy des Agenten, unabhängig von zufälligen Explorationseffekten. Die Robustheit wird anhand der deterministischen Variante der bekannten Reinforcement Learning-Umgebung Frozen-Lake untersucht, die um ein Observations-rauschmodell mit einer eigens designten Hot-Zone-Logik erweitert wird. Innerhalb dieser Hot-Zones erhält der Agent gezielt falsche Beobachtungen orthogonal zu seiner ursprünglichen Bewegungsrichtung. Ein klassisches neuronales Netz in Form eines Multi-Layer Perceptron (MLP) wird mit einem Variationellen Quanten Schaltkreis(VQC)verglichen. Obwohl das MLP oft schneller konvergiert, zeigt es eine volatile und nicht-monotone Leistungsentwicklung unter zunehmendem Rauscheinfluss. Dagegen demonstriert der VQC eine überlegene Stabilität mit einem vorhersagbaren Leistungsabfall, insbesondere bei höheren Rauschstufen. Die Ergebnisse weisen darauf hin, dass die strukturellen Eigenschaften von VQCs bessere Generalisierung und Robustheit gegenüber strukturiertem Observation Noise ermöglichen könnten.
An Empricial Evaluation of Quantum Annealing-Based Image Classification Using Discriminative Quantum Boltzmann Machines
Autor/in: Mark SeebodeBetreuung: Jonas Stein, Daniëlle SchumanAbgeschlossen am: 4. Juni 2025
Analyse und Verbesserung der Retrieval-Qualität im Kontext von RAG mittels LLMs in der Code-Domäne
Autor/in: Melvin TjiokBetreuung: Gerhard Stenzel, Michael KölleAbgeschlossen am: 4. Juni 2025
Eine Empirische Evaluation von Quantum-Annealing-Basierter Bildklassifikation mittels Diskriminativer Quantum Boltzmann Maschinen
Autor/in: Mark Vorapong SeebodeBetreuung: Jonas Stein, Daniëlle SchumanAbgeschlossen am: 4. Juni 2025
Die Boltzmann Maschine (BM) diente als fundamentales Konzept für energie-basierte Modelle und neuronale Netzwerke und hatte damit großen Einfluss auf die Entwicklung künstlicher Intelligenz. Trotz ihrer historischen Bedeutung erwies sich ihre direkte Anwendung im modernen Deep Learning als zu rechenintensiv. Klassische Verfahren für den Sampling-Prozess haben sich als ineffizient herausgestellt, wodurch die Verarbeitung hochdimensionaler Daten nahezu unmöglich wurde. Aus diesem Grund wurde alternativ die Restricted Boltzmann Maschine (RBM) eingeführt, die eine niedrigere Ausdruckskraft im Gegenzug zu effizienteren Berechnungen tauscht. Quantum Boltzmann Maschinen (QBMs) hingegen können mithilfe von Quanten Algorithmen, wie Quantum Annealing (QA), effizient aus einer approximativen Boltzmann Verteilung sampeln. Empirische Studien deuten darauf hin, dass dieser Ansatz einen effizienteren Sampling-Prozess als klassische Methoden ermöglicht. Dies würde eine effektivere Erkundung von Energielandschaften bei gleichzeitig geringeren Rechenaufwand zulassen. Darüber hinaus erlaubt diese Herangehensweise eine vollständige Verknüpfung der Neuronen miteinander, sodass die ursprüngliche Ausdruckskraft des Models erhalten bleibt. Soweit dem Autor bekannt ist, wurde das Potenzial von QBMs im Bereich des Supervised Learnings bislang nur in wenigen Studien untersucht. Das gilt insbesondere nicht nur für den anwendungsorientierten Bereich, sondern auch in Hinblick unter Verwendung realer QA-Hardware. Deshalb ist es das primäre Ziel dieser Arbeit, das praktische Potential von QBMs für Bildklassifizierung mit praxisnahen Daten zu evaluieren. Hierfür werden diskriminative QBMs eingesetzt, welche durchgehend Daten an die Input-Units binden und somit die bedingte Wahrscheinlichkeit eines Labels gegeben eines Datenpunktes ermitteln können. Um die nötige Quantum Processing Unit (QPU) Zeit zu reduzieren, präsentiert diese Arbeit eine neue Strategie um die QBM auf der Topologie der QA-Hardware zu embedden. Die erzielten Ergebnisse demonstrieren eine kompetitive Leistung im Vergleich zu klassischen durch Simulated Annealing trainierten diskriminativen BMs und diskriminativen RBMs. Zusätzlich deuten die Ergebnisse ebenfalls auf eine reduzierte Anzahl an nötigen Trainings-Epochen. Darüber hinaus konnte die Sampling-Zeit mit der neuen Embedding-Strategie im Durchschnitt um 69,65% reduziert werden.
Quantum Architektursuche zur Lösung von Quantum Machine Learning Problemen
Autor/in: Simon SalferBetreuung: Michael Kölle, Philipp AltmannAbgeschlossen am: 4. Juni 2025
Quantencomputing ist ein Computing Paradigma, das auf den Prinzipien der Quantenmechanik beruht. Hierdurch unterscheidet es sich fundamental vom klassischen Computing. Durch Quantencomputer erhofft man sich für ausgewählte Problembereiche einen Leistungsvorteil, sog. Quantenvorteil, der sich durch exponentiell schnellere Berechnungen oder geringeren Ressourcenbedarf zeigt. In der derzeitigen Noisy Intermediate Scale Quantum Ära ist die Quantenhardware noch in ihrer Leistungsfähigkeit beschränkt und weist eine hohe Fehleranfälligkeit auf. Variational Quantum Circuits stellen hierbei einen Ansatz dar, der vergleichsweise robust gegenüber diesen Einschränkungen ist. Die Leistung dieser Quantenschaltkreise hängt dabei stark von der zugrundeliegenden Architektur des parametrisierten Quantenschaltkreises ab. Das Entwickeln leistungsfähiger, hardwarekompatibler Schaltkreisarchitekturen ist daher eine wichtige Aufgabe, die auch als Quantum Architecture Search bekannt ist. Die manuelle Entwicklung guter Architekturen ist ein ineffizienter und fehleranfälliger Prozess. Daher wurden erste Versuche unternommen, diesen Prozess zu automatisieren. Neben den Methoden der Evolutionären Algorithmen, der Differentiable Architecture Search oder auch der Monte Carlo Tree Search, stellt das Reinforcement Learning einen weiteren potenziell geeigneten Ansatz zur Suche guter Architekturen dar, der bisher jedoch vergleichsweise wenig erforscht ist. Insbesondere für Probleme aus dem Bereich des Machine Learning ist wenig über dessen Eignung als Suchstrategie bekannt. Ziel der vorliegenden Arbeit ist daher die Untersuchung des Reinforcement Learning als eine geeignete Suchstrategie für Quantenschaltkreise im Kontext von Machine Learning Problemen. Hierfür wird der RL-QAS Framework vorgestellt, welcher unter Verwendung eines Reinforcement Learning Agenten die automatisierte Suche nach Schaltkreisarchitekturen ermöglicht. Evaluiert wird der RL-QAS Framework für das Iris und das binäre MNIST Klassifikationsproblem. Durch RL-QAS konnten dabei Architekturen gefunden werden, die eine hohe Testakkuratheit bei der Klassifizierung der genannten Datensätze erzielen und dabei gleichzeitig eine geringe Komplexität aufweisen. Durch RL-QAS konnte gezeigt werden, dass Reinforcement Learning durchaus für die Architektursuche geeignet ist. Für den Einsatz auf komplexeren Problemen ist jedoch eine Weiterentwicklung des RL QAS Frameworks erforderlich.