• Kvantu skaitļošanas integrācija datu pirmapstrādes konveijeros un mācīšanās darbplūsmās datu ietilpīgiem vai skaitļošanas ziņā intensīviem uzdevumiem, demonstrējot skaidrus uzlabojumus apstrādes ātrumā, skaitļošanas sarežģītībā, modelēšanas precizitātē un samazinātās paraugu prasībās mērogos, kas sasniedzami ar NISQ-era ierīcēm,
• Uzticami un mērogojami kvantu mašīnmācīšanās (QML) modeļi un algoritmi, kas integrēti ar esošajām AI sistēmām un konveijeriem, nodrošinot ātrāku datu apstrādi, uzlabotu prognozēšanas precizitāti un paplašinātas skaitļošanas iespējas,
• Validētas ar kvantu tehnoloģijām uzlabotas AI metodes, kas demonstrē izmērāmus uzlabojumus salīdzinājumā ar klasiskajiem bāzes rādītājiem ātruma, precizitātes, datu efektivitātes, sarežģītības vai mērogojamības ziņā, ko pamato rūpīga salīdzinošā testēšana un sarežģītības analīze,
• Robustas, troksni apzinošas QML metodes, kas piemērotas NISQ aparatūrai, tostarp kļūdu mazināšanas stratēģijas un algoritmu adaptācijas, kas uzlabo uzticamību, veiktspēju un reproducējamību reālos kvantu procesoros,
• Demonstratori vai koncepcijas pierādījuma lietojumprogrammas, kas parāda QML nozīmi reālās pasaules izaicinājumos (piemēram, klimata un vides modelēšanā, Zemes novērošanā, veselības aprūpē un dzīvības zinātnēs, materiālu atklāšanā, finansēs, robotikā, ražošanā un kiberdrošībā),
• Stiprināta Eiropas līderība un tehnoloģiskā suverenitāte kvantu skaitļošanas un uzticama AI jomā, ko atbalsta starpnozaru sadarbība, zināšanu pārnese un ieguldījums topošajos standartos, etalonos un labākajā praksē.
• Uzlabota sadarbība kvantu skaitļošanas, mašīnmācīšanās un lietojumu jomās, veicinot koordinētu Eiropas QML pētniecības un inovāciju kopienu.

Paredzams, ka projektu pieteikumi risinās vairākus galvenos pētniecības virzienus kvantu mašīnmācīšanās (QML) jomā, vienlaikus tiecoties gan pēc zinātniskās izcilības, gan industriālās nozīmības. Pieteikumos skaidri jāizklāsta ieguldījums kvantu uzlabotu AI pieeju izstrādē, validācijā un demonstrēšanā, norādot skaidrus ceļus uz praktisku pielietojumu. Piedāvātajam darbam ir jāstiprina Eiropas zinātniskās un tehnoloģiskās spējas kvantu skaitļošanā un jāpaātrina kvantu uzlabotu AI risinājumu ieviešana rūpniecībā.

Darbības var ietvert, bet neaprobežojas ar

• kvantu, kvantu iedvesmotu vai hibrīdu QML algoritmu izstrādi un analīzi,
• kvantu uzlabotu AI metožu veiktspējas modelēšanu, sarežģītības analīzi un salīdzinošo novērtēšanu,
• kļūdu mazināšanas un trokšņu apzināšanās stratēģiju izstrādi, kas pielāgotas QML darba slodzēm,

Pieteikumiem jāveicina mērogojami QML algoritmi, kas spēj risināt liela mēroga, skaitļošanas ziņā intensīvas problēmas; tas ietver pieejas, kas

• spēj pārvaldīt milzīgus datu apjomus un sarežģītus skaitļošanas uzdevumus,
• nodrošina ātrāku datu apstrādi un uzlabotu prognozēšanas veiktspēju attiecīgajās lietojuma jomās (piemēram, hidroloģiskie pētījumi, klimata modelēšana, reljefa klasifikācija no satelītu tālizpētes, zāļu atklāšana un uz attēliem balstīta medicīniskā diagnostika).

Daudzas pašreizējās QML metodes joprojām ir cieši iedvesmotas no klasiskajiem algoritmiem un tādēļ vēl nesasniedz patiesas kvantu priekšrocības, kas prasa turpmāku attīstību šādās jomās:

• kvantu-vietējie mācīšanās modeļi,
• efektīvi kvantu kodoli un kvantu pazīmju kartēšana,
• algoritmi, kas demonstrē pierādāmas vai empīriskas priekšrocības salīdzinājumā ar klasiskajām pieejām.

Pieteikumi var ietvert arī formālu sarežģītības analīzi un to problēmu klašu identificēšanu, kuras var gūt labumu no kvantu paātrinājuma.

Izstrādēm jārisina vairāki no šiem galvenajiem pētniecības virzieniem:

Quantum Supervised Learning (QSL):

Quantum Supervised Learning pēta, kā kvantu algoritmi var paātrināt vai uzlabot uzraudzītās mācīšanās modeļu apmācību, piedāvājot jaunas iespējas izpētīt kvantu–klasiskās mācīšanās teorijas un ļaujot nozarei saīsināt izstrādes ciklus un uzlabot veiktspēju datu ietilpīgās jomās, piemēram, finansēs, veselības aprūpē un Zemes novērošanā. QSL integrēšana esošajās darbplūsmās var palīdzēt pārvarēt skaitļošanas vājās vietas un nodrošināt efektīvāku augstas dimensijas datu apstrādi

• Pieteikumos jāizpēta kvantu algoritmi un kvantu apakšprogrammas, kuras var integrēt klasiskajās AI darbplūsmās, lai mazinātu skaitļošanas vājās vietas, uzlabotu efektivitāti augstas dimensijas vai liela mēroga vidēs un nodrošinātu izmērāmus veiktspējas ieguvumus. Darbībām jāietver šādu metožu izstrāde un validācija, ar demonstrējumiem attiecīgos akadēmiskos vai rūpnieciskos lietošanas gadījumos.

Quantum Convolutional Neural Networks (QCNNs)

Quantum Convolutional Neural Networks apvieno klasisko konvolucionālo arhitektūru konceptuālās stiprās puses ar kvantu skaitļošanas priekšrocībām, piedāvājot daudzsološu testēšanas vidi hibrīdo modeļu izteiksmīguma un efektivitātes izpētei un nodrošinot nozarei praktisku ceļu uz tuvākā laika kvantu priekšrocībām, izmantojot QPU apmācības laikā, vienlaikus saglabājot klasisko secinājumu izdarīšanu mērogojamībai un saderībai ar esošajām AI sistēmām

• Pieteikumos jāizpēta hibrīdo QCNN arhitektūru izstrāde un novērtēšana, kas izmanto kvantu skaitļošanu apmācībai, jāizpēta to izteiksmīgums, veiktspēja un robustums, kā arī jādemonstrē to piemērojamība rūpnieciskajiem izaicinājumiem, piemēram, modeļu atpazīšanai, uz redzi balstītai analītikai vai sarežģītiem klasifikācijas uzdevumiem.

Learning with Quantum Models

Kvantu modeļi integrē kvantu skaitļošanu tieši gan apmācībā, gan secinājumu izdarīšanā, izmantojot parametrizētas kvantu shēmas un kvantu kodolus, nodrošinot sasniegumus kvantu datu reprezentāciju, pazīmju izteiksmīguma un vispārināšanas teorijas izpratnē, vienlaikus piedāvājot nozarei tādus ieguvumus kā samazināta modeļa sarežģītība, ātrāki apmācības cikli un mazākas datu prasības – īpaši jomās, kurās trūkst datu vai kurām ir augsta vērtība (piemēram, zāļu atklāšana, autonomās sistēmas, materiālu inženierija)

• Pieteikumos jāizpēta kvantu-vietējo mācīšanās modeļu projektēšana un novērtēšana, izmantojot šādas shēmas un kodolus, pētot dimensiju samazināšanas, paātrinātas apmācības un paraugu efektivitātes metodes, kā arī paplašinājumus virzienā uz kvantu uzlabotiem ģeneratīvajiem modeļiem, tostarp difūzijas modeļiem lietišķajos gadījumu pētījumos.

Quantum Reinforcement Learning (QRL)

Quantum Reinforcement Learning pēta, kā kvantu skaitļošana var uzlabot pastiprinātās mācīšanās efektivitāti un mērogojamību, piedāvājot pētniekiem iespējas pārdomāt RL pamatus augstas dimensijas vai nepārtrauktās stāvokļu telpās un nodrošinot nozarei potenciālu ātrākai politikas apmācībai un efektīvākām izpētes stratēģijām (piemēram, robotikā, loģistikas optimizācijā un adaptīvajā vadībā)

• Pieteikumos jāizpēta kvantu vai hibrīdo kvantu-klasisko pieeju izstrāde pastiprinātajai mācīšanās, tostarp kvantu paātrināta optimizācija politikas meklēšanai, uzlaboti izpētes mehānismi un, progresīvākās stadijās, tādu kvantu aģentu ieviešana, kas spēj veikt skaitļošanu gan apmācības, gan secinājumu izdarīšanas laikā.

Quantum Unsupervised Learning

Kvantu neuzraudzītā mācīšanās pēta kvantu algoritmus, kas spēj noteikt latentās struktūras, klasterus un modeļus neiezīmētos datos, piedāvājot jaunas teorētiskas atziņas par kvantu uzlabotu datu analīzi un sniedzot nozarei potenciālus ieguvumus, piemēram, polinomiālu paātrinājumu tādos uzdevumos kā anomāliju noteikšana, klientu segmentēšana un paredzamā apkope, īpaši sarežģītām vai augstas dimensijas datu kopām, kurās klasiskās metodes kļūst skaitļošanas ziņā neiespējamas

• Pieteikumos jāizpēta kvantu algoritmu attīstība neuzraudzītajai mācīšanās, tostarp kvantu spektrālā klasterizācija un saistītās metodes, demonstrējot empīriskus paātrinājumus un validējot veiktspēju augstas dimensijas vai sarežģītās datu kopās, kas ir nozīmīgas rūpnieciskiem vai pētniecības lietojumiem.

Quantum AI for Algorithmic Discovery

Quantum AI for algorithmic discovery apvieno kvantu skaitļošanu ar klasisko mašīnmācīšanos, lai izstrādātu jaunus algoritmus un skaitļošanas stratēģijas, ļaujot pētniekiem izpētīt plašas algoritmisko meklējumu telpas un izstrādāt fundamentāli jaunas kvantu vai hibrīdas pieejas, vienlaikus piedāvājot nozarei ceļu uz automatizētu optimizētu algoritmu atklāšanu simulācijai, optimizācijai un uz datiem balstītai modelēšanai (piemēram, progresīvā ražošana, ķīmijas inženierija, kiberdrošība un enerģētikas sistēmas)

• Pieteikumos jāizpēta kvantu skaitļošanas integrēšana ar klasiskajām AI metodēm, lai automatizētu algoritmu, skaitļošanas stratēģiju un modeļu arhitektūru atklāšanu un optimizāciju, piegādājot metodes, prototipus vai etalonus, kas nostiprina Eiropas līderību kvantu uzlabotu AI izstrādē.

Tiek stingri veicināta sadarbība starp akadēmiskajām aprindām, pētniecības infrastruktūrām, nozari, SME un dalībniekiem visā Eiropas kvantu ekosistēmā, lai nodrošinātu plašu piemērojamību, ātru tehnoloģiju ieviešanu un ilgtspējīgu ilgtermiņa ietekmi. Pieteikumos jādemonstrē, kā sadarbības pieeja un rezultātā gūtās inovācijas veicinās Eiropas līderības stiprināšanu kvantu tehnoloģijās un uzticamā, augstas veiktspējas mākslīgajā intelektā.

Pieteikumā jāizklāsta arī skaidrs intelektuālā īpašuma plāns un licencēšanas stratēģija saskaņā ar European Union Public Licence (EUPL-1.2), lai nodrošinātu atvērtību un veicinātu Eiropas rūpniecisko ieviešanu, nodrošinot pirmo izmantošanu ES un dalībvalstīs.

Prasības:

1. Pieteikumos jāņem vērā QML stāvoklis un tā dažādie galvenie pētniecības virzieni.
2. Visa izstrādātā programmatūra tiks darīta pieejama lietotāju kopienām saskaņā ar European Union Public Licence (EUPL), kā vēlamo noklusējuma licenci jauniem programmatūras komponentiem, vai citām OSI apstiprinātām licencēm, kas ir saderīgas ar EUPL
3. Paredzams, ka pieteikumi izmantos code.europa.eu repozitoriju un nodrošinās attiecīgo programmatūru, tostarp nepieciešamos atbalsta datus un dokumentāciju, izmantojot platformu, ja tas ir saderīgi ar repozitorija politiku.
4. Paredzams, ka izvēlētie konsorciji sniegs sistemātisku atgriezenisko saiti Eiropas un starptautiskajiem standartizācijas centieniem, tostarp sadarbību ar CEN/CENELEC, JTC 22 un citām attiecīgajām darba grupām;
5. Paredzams, ka izvēlētie konsorciji cieši saskaņosies ar Quantum Flagship Stratēģisko pētniecības un nozares programmu, kā arī nodrošinās ciešu sadarbību un papildināmību ar Horizon Europe un EuroHPC kvantu projektiem.