Machine Learning trifft Quantencomputing

Quantencomputer – von der Theorie zur Realität

Die Entwicklung im Quantencomputing schreitet mit großen Schritten voran: aus einer rein theoretischen Disziplin zeichnen sich erste, reale Anwendungen mit universellen, programmierbaren Quantencomputern ab. Während traditionelle Computer mit konventionellen Rechenverfahren arbeiten, nutzt das Quantencomputing Quanteneffekte zur Durchführung einer Berechnung aus. Ideale Quantencomputer versprechen eine Beschleunigung bei der Lösung spezieller Problemstellungen, wie sie in der mathematischen Optimierung, dem maschinellen Lernen oder der Simulation von Quantensystemen anfallen. Doch die aktuell verfügbare Quantenhardware wird typischerweise mit dem Schlagwort „NISQ“ für „noisy intermediate-scale quantum“ belegt. Denn diese Hardware hat nur eine begrenzte Kapazität zur Informationsverarbeitung und ist anfällig für Fehler, die den eigentlichen Berechnungsprozess oder das Auslesen des Berechnungsergebnisses stören können. Trotzdem wird spekuliert, dass in bestimmten Anwendungen selbst NISQ-Quantencomputer einen Vorteil gegenüber konventionellen Rechnern und Algorithmen liefern können. Obwohl zum jetzigen Zeitpunkt noch viele Herausforderungen bei der Entwicklung idealer Quantenhardware zu bewältigen sind, gilt es proaktiv mögliche Anwendungsfelder zu erschließen und sich mit Algorithmen und Prinzipien der Programmierung von Quantencomputern vertraut zu machen, Entwicklungsprozesse zu automatisieren und auch klassische DevOps-Ansätze auf die Quantencomputing-Domäne zu erweitern.

Unser Ansatz

Wie beschäftigen wir uns am Fraunhofer IIS – Bereich Lokalisierung und Vernetzung mit der Technologie des Quantencomputings? „Basierend auf unserer Expertise in den Bereichen Quantencomputing und Machine Learning, insbesondere dem Deep Reinforcement Learning, entwickeln wir sowohl Softwarewerkzeuge als auch Algorithmen, um Quantencomputer für die industrielle Anwendung in naher Zukunft nutzbar zu machen. Die interdisziplinäre Zusammenarbeit unseres Expertenteams aus den Bereichen Physik, Informatik und Mathematik liefert essentielle Beiträge zum Quantencomputing Software-Stack und schafft vielversprechende Lösungsansätze, die das Quantencomputing, speziell die NISQ-Hardware, leicht zugänglich machen werden und darauf abzielen, die maximale Rechenleistung zur Verfügung zu stellen.“, sagt Dr. Daniel Scherer, Programm-Manager für Quantencomputing im Institutsbereich Lokalisierung und Vernetzung des Fraunhofer IIS.

 

© Fraunhofer IIS

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.

Mit Machine Learning Quantencomputer nutzbar machen

Machine Learning kann dazu beitragen, die Leistung von Quantencomputern zu verbessern und Fähigkeiten zu erweitern, um komplexe, anwendungsspezifische Aufgaben zu bewältigen. Im Rahmen verschiedener Forschungsprojekte konzentrieren wir uns auf die Erforschung und Entwicklung von Werkzeugen und Algorithmen, basierend auf Machine Learning Verfahren, um mit Quantenhardware bessere Berechnungsergebnisse in kürzerer Zeit zu erzielen.

Zur Ausführung von Quantenalgorithmen auf Quantenhardware müssen entsprechende Quantenschaltkreise, bestehend aus einer Abfolge von Quantengattern, sorgfältig entworfen und optimiert werden. Wir arbeiten daran, Werkzeuge zur optimierten Kompilation von Quantenschaltkreisen („Quantum Circuit Compilation“) mittels maschinellem Lernen zu entwickeln. Dadurch können die Abfolgen von Quantengattern umgeschrieben, verkürzt und weniger fehleranfällig gemacht werden. Doch auch die Anzahl der zur Verfügung stehenden Qubits spielt eine entscheidende Rolle. Hier entwickeln wir Softwarewerkzeuge für sogenanntes „Quantum Circuit Cutting“, die es uns erlauben, die für die Ausführung eines Quantenalgorithmus benötigte Zahl an Qubits zu reduzieren und schließlich verteiltes Quantencomputing mit mehreren Quantum Processing Units zu ermöglichen. Diese Methode trägt zu einer Verminderung der Fehleranfälligkeit von NISQ-Hardware bei und wird eine besondere Rolle auf dem Weg hin zu fehlertoleranten Quantencomputern haben.

Ein weiteres Optimierungspotential birgt die Entwicklung von Fehlerkorrekturmaßnahmen für zukünftige Quantencomputer. Mit maschinellen Lernverfahren entwickeln wir an die Quantenhardware angepasste Verfahren zur Quantenfehlerkorrektur („Quantum Error Correction“). Auch das ist ein wichtiger Schritt zu zuverlässigen Quantencomputern.

Quantum DevOp-Tools

DevOps ist ein Ansatz zur Softwareentwicklung, der die Kombination und Integration von Entwicklung und Betrieb (Dev und Ops) betont. Das Ziel besteht darin, die Softwareentwicklung und -bereitstellung zu beschleunigen und zu verbessern, indem Entwicklungs- und IT-Teams enger zusammenarbeiten und gemeinsame Tools und Prozesse verwenden. Unsere oben beschriebenen Software-Tools können in einer Quantum-DevOp-Toolchain eingesetzt werden und Prozesse bei Entwicklung und Einsatz von Quantenalgorithmen automatisieren. Die speziell auf Quantencomputer abgestimmten DevOps-Zyklen ermöglichen eine kontinuierliche Bereitstellung hochwertiger Entwicklungen und eine schnelle Reaktionsfähigkeit auf Kundenwünsche und Anforderungen.

Quantencomputing mit Reinforcement-Learning

Quantencomputer können perspektivisch Probleme lösen, die jenseits der Rechenkapazitäten von klassischen Computern liegen. Allerdings erfordern sie eine völlig andere Software-Entwicklung, die sich von der konventionellen Programmierung unterscheidet. Dabei gibt es zwei Arten von Quantencomputern: einen leistungsstarken, aber noch nicht verfügbaren Computer, der universelle, fehlerkorrigierte Quantenhardware voraussetzt und einen NISQ-Computer, der bereits existiert, aber weniger leistungsstark ist und daher auf maßgeschneiderte Quantenalgorithmen angewiesen ist. Unsere Forschung konzentriert sich darauf, wie man mit beiden Arten von Computern am besten arbeiten kann, um gute Ergebnisse zu erzielen. Dafür entwickeln wir Quantenalgorithmen zur Realisierung von Reinforcement-Learning-Verfahren auf fehlerkorrigierter Hardware sowie maßgeschneiderte Quantenalgorithmen für die NISQ-Technologie, die auf sogenannten variationellen Quantenschaltkreisen beruhen. 

Unser Angebot für Ihr Quantencomputing-Projekt

© Vittaya_25-stock.adobe.com

Das Fraunhofer IIS ist Ihr Partner, um das Potential von Quantencomputing-basierten Lösungen für komplexe Herausforderungen in Ihren Unternehmensprozessen zu evaluieren. Dank unserer vielfältigen und interdisziplinären Kompetenzen entwickeln wir Software-Werkzeuge, die nahtlos in Ihre Quantum-DevOps-Toolchain integriert werden können und Entwicklungsprozesse automatisieren. Unsere Technologie nutzt Machine-Learning-Verfahren für die optimierte Nutzung von Quantenhardware-Ressourcen: Erweitern Sie die Komplexität Ihrer Use Cases und bekommen Sie ein realistischeres Bild von praktischen Quantenvorteilen für Ihre Anwendungen. Wir bieten Ihnen Beratungen und Best Practices, um eine effektive Quantum DevOps-Kultur zu fördern. Lassen Sie uns gemeinsam die Herausforderungen der Zukunft meistern und Ihre Quantencomputing-Ziele erreichen.

Projekte

 

QACI

 

 

Als Teil des QACI-Konsortiums (Quantum Algorithms for Application, Cloud & Industry) forschen wir an Machine Learning-basierten Ansätzen und Methoden für die optimale Nutzung von NISQ-Hardware durch optimierte Kompilation.

 

BayQS

 

 

Im Bayerischen Kompetenzzentrum Quanten Security and Data Science (BayQS) erforschen wir den Einsatz von Quantencomputern zur Verbesserung von maschinellem Lernen.

 

QuaST

 

 

Im Forschungsprojekt QuaST entwickeln wir Werkzeuge zur verbesserten Ausnutzung von Quantencomputern und bereiten den Weg für verteiltes Quantenrechnen.

 

QLindA

 

 

Im Projekt QLindA entwickeln wir Quantum Reinforcement Learning Algorithmen für industrielle Anwendungen.

 

Bench-QC

 

 

Im Leuchtturmprojekt Bench-QC des Munich Quantum Valley erforschen wir Benchmarking-Verfahren zur Identifikation von praktischen Quantenvorteilen.

Weitere Informationen

Quantentechnologien

Erfahren Sie mehr über Enablingtechnologien und Algorithmen für das Quantencomputing

Autonome Systeme

Automatisierung begegnet uns im Alltag inzwischen überall. Dass etwas automatisch läuft, ist so lange entlastend, bis ein Problem entsteht. Inzwischen können diese Fehler von den Maschinen selbst behoben werden.

Machine Learning Kompetenz

Das über viele Jahre aufgebaute Know-how in verschiedenen Anwendungsbereichen ermöglicht individuelle Beratung und Lösungen für den Kunden.

Wir suchen Mitarbeiter/innen...

Neue Stellen werden hier verlinkt

Online-Magazin

Serie: Quantentechnologien