KI für Quantencomputing

Quantencomputing hat das Potenzial, die Computerwissenschaft zu revolutionieren, indem es bisher unlösbare Probleme mit klassischen Computern bewältigt. Doch um dieses Potenzial zu entfalten, müssen wir in der Lage sein, Quantenalgorithmen effizient zu entwickeln und auf realer Quantenhardware umzusetzen.

Unsere Arbeit konzentriert sich auf die Weiterentwicklung modernster Quantenalgorithmen und die Schaffung innovativer Werkzeuge, um die effektive Nutzung von Quantenhardware zu optimieren. Ziel ist es, die Lücke zwischen theoretischem Potenzial und praktischer Anwendung zu schließen und Quantencomputing-Lösungen für reale Einsatzszenarien zu ermöglichen.

Die heutige Quantenhardware ist durch störanfällige Qubits und begrenzte Kohärenzzeiten gekennzeichnet und bringt erhebliche Herausforderungen mit sich. Um diese neue Technologie vollständig auszuschöpfen, müssen wir fortschrittliche Algorithmen und Tools entwickeln, die maximale Leistung bei minimalem Ressourcenaufwand bieten. Die Quantenhardware der Zukunft wird schließlich das gesamte Potenzial des Quantencomputings freisetzen.

Wir nutzen Methoden der Künstlichen Intelligenz, um diese Herausforderungen zu bewältigen. Dieser duale Ansatz – mit heutiger und zukünftiger Hardware – stellt sicher, dass Quantencomputing sein Versprechen einlösen kann, Branchen, Wissenschaft und Technologie zu transformieren: Quantencomputing, jetzt!

Wie beschäftigt sich das Fraunhofer IIS – Bereich Lokalisierung und Vernetzung – mit der Technologie des Quantencomputings?

Basierend auf unserer Expertise in den Bereichen Quantencomputing und Machine Learning, insbesondere Deep Reinforcement Learning, entwickeln wir sowohl Softwarewerkzeuge als auch Algorithmen, um Quantencomputer für industrielle Anwendungen in naher Zukunft nutzbar zu machen. Dr. Daniel Scherer, Head of Quantum Compilation Group, betont, dass die interdisziplinäre Zusammenarbeit unseres Expertenteams aus Physik, Informatik und Mathematik essentielle Beiträge zum Quantencomputing-Software-Stack liefert. Unser Ziel ist es, vielversprechende Lösungsansätze zu schaffen, die das Quantencomputing, insbesondere die NISQ-Hardware, leicht zugänglich machen und gleichzeitig die maximale Rechenleistung zur Verfügung stellen.

Unsere Forschungsschwerpunkte auf einen Blick:

• Quantenalgorithmen für maschinelles Lernen – Wir erforschen den Einsatz von Quantencomputern zur Verbesserung von Verfahren des maschinellen Lernens.
• Quantum Circuit Cutting – Wir erforschen und entwickeln Verfahren zum „Zerschneiden“ von Quantenschaltkreisen. Dies ermöglicht verteiltes Quantenrechnen auf mehreren Quantum Processing Units.
• Quantum Circuit Compilation – Wir arbeiten an der optimierten Übersetzungen von Quantenschaltkreisen in ausführbare Befehle des Quantencomputers.    
• Quantum Error Correction – Wir erforschen Verfahren zur Erzeugung Hardware-angepasster Fehlerkorrektur zur Senkung der Anforderungen an fehlerkorrigierte und fehlertolerante Quantencomputer. 

Der Quantum Computing Stack umfasst Software und Hardware, die nötig ist um Quantenalgorithmen auf einem Quantencomputer auszuführen. Im Bereich Lokalisierung und Vernetzung des Fraunhofer IIS sind Forschung und Entwicklung auf Quantencomputing Middleware fokussiert: „Quantum Circuit Cutting“, „Compilation“ und „Quantum Error Correction“ bilden unsere Forschungsschwerpunkte. Weiterhin erforschen wir Quantenalgorithmen zur Verbesserung von Reinforcement Learning Verfahren, einer speziellen Variante des maschinellen Lernens.

Franz, Maja; Wolf, Lucas; Periyasamy, Maniraman; Ufrecht, Christian; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher; Mauerer, Wolfgang (2022): Uncovering instabilities in variational-quantum deep Q-networks, in: 2022 Journal of the Franklin Institute, Volume 360, Issue 17, pp. 13822-13844.

Periyasamy, Maniraman; Meyer, Nico; Ufrecht, Christian; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher (2022): Incremental Data-Uploading for Full-Quantum Classification, in: 2022 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 31-37.