Künstliche Intelligenz und Maschinelles Lernen auf Quantencomputern

Quantencomputer haben das Potenzial, Informationen schneller zu verarbeiten und komplexere Probleme zu bewältigen als klassische digitale Computer. Auch bisher nahezu unlösbare Verfahren der Künstlichen Intelligenz und des Maschinellen Lernens lassen sich durch Quantencomputer erschließen. Vor allem die Simulation und die Lösung von Optimierungsproblemen sind vielversprechende Anwendungsgebiete. Mithilfe von Simulationen lassen sich etwa die Eigenschaften von Molekülen und Materialien vorhersagen. Optimierungsprobleme stellen sich zum Beispiel in der Logistik, wenn es darum geht, den optimalen Verkehrsfluss zu ermitteln, um Straßen zu entlasten.

Am Fraunhofer IAIS forschen wir bereits seit mehreren Jahren an den Potenzialen des Quantencomputings für das Maschinelle Lernen. Was lange Zeit ein wissenschaftliches Zukunftsthema war, rückt nun in den Fokus der praktischen Anwendung: In Kooperation mit IBM wird die Fraunhofer-Gesellschaft den ersten Quantencomputer in Deutschland zum Einsatz bringen. 2021 soll das »Q System One« am Standort Ehningen in Baden-Württemberg in Betrieb genommen werden. Gemeinsam mit Forschungs- und Anwendungspartnern nutzen wir das System für die angewandte Forschung im Bereich der Quanten KI, speziell des Quanten Maschinellen Lernens, und entwickeln konkrete Anwendungsszenarien für den zukünftigen Einsatz der Technologie in der Industrie.

Erfahren Sie in unserer in Kürze erscheinenden Studie »Quantum Machine Learning – Eine Analyse zu Kompetenz, Forschung und Anwendung« alles über Quantencomputing sowie den Forschungsstand und die Anwendungsmöglichkeiten im Bereich Maschinelles Lernen.

Anwendungsgebiete für Maschinelles Lernen auf Quantencomputern

Die Simulation quantenmechanischer Systeme ist eine der Hauptanwendungen des Quantencomputings. 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 besonders relevanten Batterien zählt zum Anwendungsbereich der Simulation.

 

Auch das Ingenieurwesen profitiert von den Potenzialen des Quantencomputings, besonders im Bereich der Optimierung – zum Beispiel, wenn Materialien mit bestimmten Eigenschaften benötigt werden und dabei ein Abwägen zwischen Stabilität und Gewicht stattfindet. Denn die Eigenschaften jedes Materials hängen fundamental von seinen quantenmechanischen Bausteinen ab.

In der Logistik geht es häufig um die optimale Verteilung begrenzter Ressourcen. Optimaler Verkehrsfluss entlastet Straßen und andere Transportwege. Ähnliche Quantenalgorithmen können angewandt werden, um beispielsweise für Telekommunikationsunternehmen ideale Netzwerkstrukturen zu ermitteln oder für Krankenhäuser medizinische Ressourcen optimal zu verteilen.

Im Finanzwesen lassen sich Risikoanalysen und Portfolio-Optimierungen mit Quantencomputing in Zukunft schneller realisieren. Hier eignen sich die durch Quantencomputing weiterentwickelten Verfahren des klassischen Maschinellen Lernens, um abhängig von der aktuellen Marktsituation gewinnbringende Portfolios zu generieren.

Highlights

Neue Studie

»Quantum Machine Learning – Eine Analyse zu Kompetenz, Forschung und Anwendung«

 

Erscheint in Kürze

Fachpublikationen

C. Bauckhage, R. Sifa, S. Wrobel, »Adiabatic Quantum Computing for Max-Sum Diversification«, Proc. SIAM Int. Conf. on Data Mining, 2020 (kostenfrei)

 

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 (kostenfrei)

 

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 (kostenpflichtig)