QC löst mathematische Optimierungsprobleme bei der Röntgencomputertomographie
Bei der Bildgebung, Sensorik und Signalverarbeitung im Entwicklungszentrum Röntgentechnik ist es unser Ziel, eine Quantencomputer-getriebene Bild- und Signalverarbeitung zu ermöglichen. Unser Fokus liegt darauf, mathematische Optimierungsprobleme mittels QC effizient zu lösen. Diese treten sowohl bei der Signalrekonstruktion, als auch der Planung von optimalem Einsatz von Sensorik auf.
Dies tun wir konkret am Beispiel der Röntgencomputertomographie, einer 3D-bildgebenden Technik für den Einsatz in der industriellen Messtechnik. Quantencomputing kann hier Probleme bei der Computertomographie-Rekonstruktion und kombinatorisch komplexe Optimierungsaufgaben für die CT-Messplanung lösen.
Quantenbasierte Lernverfahren liefern schneller und effizienter Ergebnisse für funkbasierte IoT-Systeme
Im Bereich Lokalisierung und Vernetzung untersuchen wir hybride Quantenalgorithmen zur Lösung dynamischer, also zeitabhängiger Optimierungsprobleme. Hierunter fallen beispielsweise sequentielle Entscheidungsprobleme und Probleme zur Steuerung komplexer Systeme.
Wir setzen bereits Methoden des sogenannten Reinforcement Learning erfolgreich ein, um für derartige Problemstellungen entsprechende Regel- und Kontrollstrategien auf datengetriebene Art und Weise automatisiert zu erlernen. Darüber hinaus bieten Quantenalgorithmen und Methoden des Quantum Machine Learning durch ihre gezielte Ausnutzung quantenmechanischer Effekte das Potenzial, die Lernverfahren zu beschleunigen und effizienter zu gestalten, um so z.B. die Menge an benötigten Daten zu reduzieren.
Konkret erforschen wir Quantenalgorithmen und Quantum Machine Learning Methoden für den Anwendungsfall des MIMO-Beamforming (MIMO: multiple in, multiple out), eine bisher sehr rechenintensive Technik zur Erzeugung gerichteter Funkkanäle.
Ein denkbares Szenario für funkbasierte IoT-Systeme in der Industrie könnte die wesentlich effizientere Berechnung für lernende Verfahren sein. So kann beispielsweise eine schnellere, energieeffizientere und präzisere Anpassung der Antennen- und Funksysteme an sich situativ verändernde Umgebungsbedingungen für mobile Industrieanwendungen umgesetzt werden. Quantenbasierte Lernverfahren können hier schneller und effizienter Entscheidungen und Ergebnisse liefern.
QC bringt Vorteile in der Berechnung komplexer Optimierungsaufgaben in der Logistik
Viele Fragestellungen und Herausforderungen aus dem Bereich der Logistik lassen sich als mathematische Probleme formulieren und anschließend mit algorithmischen Methoden lösen. Dazu zählen unter anderem Planungs- und Routenprobleme.
Ein grundsätzliches Problem, welches vielen gängigen Quantenalgorithmen gemein ist, stellt die Anforderung an die Hardware dar: Für praxisrelevante Problemgrößen ist diese so groß, dass sie von derzeitigen und geplanten Quantenrechnern nicht erfüllt werden kann. Einen Versuch, dieses Problem zu umgehen, bilden die hybriden Variationsansätze (engl. Variational Quantum Eigensolver). Hierbei werden klassisch algorithmische Methoden zur Lösung von Optimierungsproblemen mit Quantenalgorithmen kombiniert, um bereits kleinste Quanten-Ressourcen bestmöglich auszuschöpfen.