Quantencomputing

Maschinelles Lernen in der Quanteninformatik

Quantencomputer haben das Potenzial, Informationen schneller zu verarbeiten und komplexere Probleme zu lösen als klassische digitale Computer. Verfahren des Maschinellen Lernens lassen sich für Quantencomputer so anpassen, dass Lösungen schneller gefunden und auch bislang unlösbare Aufgaben bearbeitet werden können. Vor allem die Simulation und die Lösung von Optimierungsproblemen sind vielversprechende Anwendungsgebiete. Mithilfe von Simulationen lassen sich zum Beispiel neue Medikamente herstellen, die Eigenschaften von Molekülen und Materialien vorhersagen und neue Produkte entwickeln. Der Fraunhofer CCIT kann die Kapazitäten von Deutschlands erstem Quantencomputer nutzen und konkrete Anwendungsszenarien für den zukünftigen Einsatz der Technologie in der Industrie vorantreiben.

Lange Zeit war die Idee, mit Quantencomputern zu arbeiten vor allem ein theoretisches Konzept. In den letzten Jahren hat es jedoch erhebliche technische Fortschritte gegeben: Erste Computer, die mit Quanteneffekten arbeiten, sind kommerziell verfügbar. Der Bau leistungsfähiger Quantencomputer wird von Regierungen und Unternehmen weltweit bereits durch hohe Investitionen gefördert.

Quantencomputer nutzten zur Informationsverarbeitung Quanteneffekte wie Superposition oder Verschränkung. Während ein digitaler Computer mit Bits rechnet, arbeitet ein Quantencomputer mit Qubits, die im Gegensatz zu den klassischen Bits nicht nur genau einen von zwei möglichen Zuständen annehmen können, sondern auch eine Überlagerung beider. Dadurch können Qubits mehr Information speichern. Verfahren des Maschinellen Lernens lassen sich für Quantencomputer so anpassen, dass sie mehrere Lösungswege gleichzeitig beschreiten können. Damit können Quantencomputer prinzipiell schneller Lösungen finden und somit für Aufgaben eingesetzt werden, die klassische Computer nicht in einer angemessenen Zeit lösen können.

Diese Entwicklungen werden die Simulations- und Datenwissenschaften, die Künstliche Intelligenz und das Maschinelle Lernen in disruptiver Weise verändern. Zudem existieren Quantenalgorithmen zur Primzahlfaktorisierung, die große Auswirkungen auf Kryptographie und sichere, verschlüsselte Kommunikation haben können.

Fraunhofer und IBM bringen den ersten Quantencomputer nach Deutschland

Im Frühjahr 2020 haben die Fraunhofer-Gesellschaft und IBM einen Kooperationsvertrag geschlossen mit dem Ziel, den ersten Quantencomputer in Deutschland zum Einsatz zu bringen und für die angewandte Forschung einzusetzen. 2021 soll das »Q System One« am Standort Ehningen in Baden-Württemberg in Betrieb genommen werden. Der Fraunhofer CCIT nutzt den Quantencomputer im Forschungszentrum Maschinelles Lernen für Forschungsarbeiten im Bereich der Quanten-KI, speziell des Maschinellen Lernens in der Quanteninformatik. Dabei entstehen konkrete Anwendungsszenarien für den zukünftigen Einsatz der Technologie in der Industrie.

Mehrwert für zahlreiche Anwendungen

Chemie, Pharmazie und Materialwissenschaft

Die Simulation quantenmechanischer Systeme ist eine der Hauptanwendungen der Quanteninformatik. Mithilfe der Simulation von Molekülen könnten in Zukunft beispielsweise gezielt Katalysatoren entwickelt werden, die chemische Produktionsverfahren effizienter machen. Chancen ähnlicher Größenordnung ergeben sich für die Pharmaindustrie. Auch Forschung zu den im Angesicht des Klimawandels besondere relevanten Batterien zählt zum Anwendungsbereich der Simulation.

Logistik

In der Logistik geht es häufig um die optimale Verteilung begrenzter Ressourcen. Quantenalgorithmen könnten z. B. angewandt werden, um Verkehrsfluss und Transportwege, Netzwerkstrukturen von Telekommunikations-unternehmen oder die Verteilung von medizinischen Ressourcen für Krankenhäuser zu optimieren.

Ingenieurswissenschaften

Die Ingenieurwissenschaften profitieren zum Beispiel, wenn Materialien mit bestimmten Eigenschaften gewünscht sind und dabei ein Abwägen zwischen Stabilität und Gewicht stattfindet. Denn die Eigenschaften jedes Materials hängen fundamental von seinen quantenmechanischen Bausteinen ab.

Finanzwesen

Im Finanzwesen können Risikoanalyse und Optimierung von Portfolios mit Quanteninformatik in Zukunft schneller gelöst werden. Hier eignen sich die in der Quanteninformatik weiterentwickelten Verfahren des klassischen Maschinellen Lernens, um abhängig von der aktuellen Marktsituation gewinnbringende Portfolios zu generieren.

Publikationen

  • C. Bauckhage, R. Sifa, S. Wrobel, »Adiabatic Quantum Computing for Max-Sum Diversification«, Proc. SIAM Int. Conf. on Data Mining, 2020
  • C. Bauckhage, E. Brito, K. Cvejoski, C. Ojeda, J. Schücker, R. Sifa, »Towards Shortest Paths Via Quantum Computing«, Proc. Workshop on Mining and Learning with Graphs, 2018
  • C. Bauckhage, E. Brito, K. Cvejoski, C. Ojeda, R. Sifa, S. Wrobel, »Ising Models for Binary Clustering via Adiabatic Quantum Computing«, Proc. Int. Workshop on Energy Minimization Methods in Computer Vision and Pattern Recognition, 2017