Sounding Qubits. Music Information Retrieval Using Hybrid Classical-Quantum Systems

Das rasante Wachstum des maschinellen Lernens und der zu verarbeitenden Datenmengen hat den Bedarf an Rechenressourcen stark erhöht - zu einer Zeit, in der die Entwicklung klassischer Hardware an physikalische Grenzen stößt. Das Quantencomputing, mit seinem Potenzial für neue Formen der Parallelisierung und algorithmischen Beschleunigung, hat sich daher zu einem vielversprechenden Kandidaten entwickelt, um klassische Methoden zu ergänzen. In diesem Kontext zielt das Quantenmaschinelle Lernen darauf ab, Quanteneffekte zu nutzen, um die Ausdruckskraft und Effizienz von Modellen zu steigern.Die vorliegende Arbeit beschäftigt sich mit der Komponistenklassifikation auf Basis symbolischer Musikdaten von Live-Aufführungen und untersucht, wie Ansätze des hybriden Quantencomputings darauf angewendet werden können. Wir vergleichen strukturell unterschiedliche Methoden zur Merkmalsextraktion aus symbolischen Musikdaten, darunter an die natürliche Sprachverarbeitung angelehnte Verfahren, Graph-Einbettungen sowie musiktheoretisch fundierte statistische Verfahren, zunächst im Bereich des klassischen maschinellen Lernens. Während sich die Graph-Einbettung für unser Live-Aufführungsdaten als ungeeignet erweist, liefern die beiden anderen Ansätze starke klassische Referenzmodelle, und es gelingt uns, ein nicht reproduzierbares Verfahren aus der Literatur zu verbessern und damit konkurrenzfähige Ergebnisse zu erzielen.Auf dieser Grundlage evaluieren wir systematisch zwei Klassen von Quantenklassifikatoren - variationale Quantenschaltkreise und Quanten-Support-Vector-Machines - unter Verwendung einer simulierten Quantenrechenumgebung. Wir analysieren ihre Leistung im Verhältnis zu den klassischen Referenzmodellen sowie ihre Empfindlichkeit gegenüber verschiedenen Parametereinstellungen.Unsere Quantenmodelle können klassische Verfahren derezeit nicht übertreffen. Sie weisen jedoch charakteristische Muster von Unteranpassung und Überanpassung aufweisen, die wertvolle Hinweise für die Gestaltung zukünftiger hybrider Systeme liefern können. Zudem beobachten wir deutliche Leistungsunterschiede in Abhängigkeit von der Methode der klassischen Merkmalsextraktion.Wir legen eine Fallstudie vor, die Komponistenklassifikation in einem hybriden klassisch–quantischen Setup implementiert. Unsere Ergebnisse leisten einen Beitrag zum Verständnis des Verhaltens, der Grenzen und des Potenzials quantenmaschineller Lernmodelle im Bereich der Informationsextraktion aus Musikdaten.