Quanten-maschinelles Lernen für Roboter

Autonome Robotik in komplexen Umgebungen

Um in unbekannten oder sich verändernden Umgebungen selbstständig zu operieren, müssen Roboter in kürzester Zeit riesige Datenmengen verarbeiten können.Quantencomputer können dabei helfen. In drei Projekten arbeiten das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) und die Universität Bremen daran, quantenunterstützte maschinelle Lernverfahren für robotische Anwendungen nutzbar zu machen.

(Bild: Bild: DFKI, Florian Cordes)

Maschinelles Lernen und insbesondere bestärkende Lernverfahren gelten als Schlüsseltechnologie für jegliche Bereiche des robotischen Lernens mit Anwendungspotenzial sowohl in terrestrischen als auch in Weltraumszenarien. Jedoch sind diese Verfahren in ihrer Architektur äußerst komplex und benötigen eine erhebliche Menge an Trainingsschritten, was das Erlernen von neuem anspruchsvollem Verhalten in realen robotischen Umgebungen ohne Vorwissen und Simulationsumgebung nahezu unmöglich macht. Quantenalgorithmen haben jedoch das Potenzial, große Datenmengen effizienter zu verarbeiten und zu analysieren als klassische maschinelle Lernalgorithmen.

Forschung an neuen Konzepten

Um die Quantentechnologie in diesem Bereich voranzutreiben, betreibt ein interdisziplinäres Team von Wissenschaftlerinnen und Wissenschaftlern des DFKI Robotics Innovation Center und der AG Robotik der Universität Bremen grundlegende Forschung, um quantengestützte Konzepte und Lösungen für Anwendungsfelder in der künstlichen Intelligenz und Robotik zu erarbeiten. Mit den Projekten QuDA-KI, QuBER-KI und QuMAL-KI fördert das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) drei synergetische Projekte, in denen sowohl bestehende Methoden des quantenmaschinell gestützten Lernens evaluiert und verbessert, als auch neue Methoden für robotische Anwendungen entwickelt werden sollen. 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.

Die Projekte

Um die roboternahen Datenströme, insbesondere von Sensoren und Aktuatoren, für quantenmaschinelle Lernverfahren nutzen zu können, müssen sie in geeigneten Qubit-Repräsentationen vorliegen. Wie sich die Daten enkodieren lassen, untersuchen die Bremer Forschenden im Projekt QuDA-KI (Qubit-basierte Datenrepräsentationen und Vorverarbeitungen für Ansätze des Quantenmaschinellen Lernens). Der Fokus liegt auf Qubit-basierten Minimalrepräsentationen von essenziellen Merkmalen, um mit den wenigen in heutigen Quantencomputern zur Verfügung stehenden Qubits bereits erste Anwendungsfälle umsetzen zu können. Zusätzlich sollen Datensätze aus robotischen Szenarien bisheriger DFKI-Arbeiten zur Nutzung auf Quantenhardware aufbereitet und anderen Projekten zur Verfügung gestellt werden. Auch soll ein Labor mit entsprechender Hardware und Software entstehen. Darüber hinaus wollen die Forschenden herausfinden, wie sich Quantenschaltkreise effizienter gestalten lassen.

Die Erkenntnisse von QuDA-KI sollen in die anwendungsorientierten Projekte QuBER-KI und QuMAL-KI einfließen, in denen quantenunterstützte, bestärkende Lernverfahren zur Generierung von konkretem Roboterverhalten eingesetzt werden sollen. In QuBER-KI (Quantum Deep Reinforcement Learning für einfache robotische Verhalten) wollen die Forschenden u.a. bestehende quantenunterstützte Algorithmen analysieren und sie hinsichtlich der Fragestellung evaluieren, ob und inwiefern sie sich auch auf komplexere Umgebungen und Anwendungen übertragen lassen.

Datum:27. April 2023

Autoren:Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)

Themen: Technik

Webseite: www.dfki.de

Downloads: