Quantencomputing

Es ist theoretisch nachgewiesen, dass Quantencomputer bestimmte Berechnungsprobleme deutlich schneller bewältigen können als klassische digital Computer. Auch einige bisher praktisch unlösbare Verfahren der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) lassen sich in Zukunft durch Quantencomputer erschließen.

Vor allem die Simulation komplexer Systeme 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 Energiewirtschaft, wenn es um die optimale Konfiguration aller verfügbarer Kraftwerke (Solar, Wind, Gas, ..), um alle Verbraucher zu versorgen ohne das Netz zu überlasten und ohne überschüssige Energie zu produzieren. 

Am Fraunhofer IAIS entwickeln wir bereits seit mehreren Jahren neue Quantenalgorithmen und forschen an den Potenzialen des Quantencomputings für praktische Anwendungen. 

Unsere Entwicklungen umfassen folgende Punkte:

• Ressourceneffiziente Quantenalgorithmen: Die Fähigkeiten heutiger Quantencomputer unterliegen strengen Ressourcenbeschränkungen. Naive Formulierungen von Quantenalgorithmen sind auf aktuellen und kommenden Generationen von Quantencomputern aufgrund begrenzter Anzahl an Qubits, begrenzter Qubit-Konnektivität sowie begrenzter Schaltkreistiefe nicht realisierbar. Wir erforschen ressourceneffiziente Alternativen, insbesondere Dekompositionstechniken, um Quantenalgorithmen für praktische Anwendungen auf heutigen Quantenprozessoren ausführen zu können.
• KI-basierte Synthese von Quantenschaltkreisen: Quantenschaltkreise sind Programme für Quantencomputer. Wir erforschen evolutionäre und Reinforcement-Learning-basierte Methoden zur automatischen Synthese von Quantenschaltkreisen. Im Fokus steht die Optimierung von Clifford-Schaltkreisen, da sie zentrale Subroutinen vieler Algorithmen und der Fehlerkorrektur von Quantencomputern sind.
• Eklärbarkeit von Quantenschaltkreisen: Viele parametrische Quantenschaltkreise folgen einem variationsbasierten Ansatz. Daher ist oft unklar, inwiefern einzelne Quantenoperationen für eine spezifische Anwendung relevant sind. Wir untersuchen, wie Methoden des erklärbaren maschinellen Lernens zur Erklärbarkeit von Quantenschaltkreisen beitragen können.
• State-Preparation und Sampling: Um Daten in einen Quantencomputer zu laden, muss ein Quantenzustand erzeugt werden, der die Eingabedaten repräsentiert (State Preparation). Wir erforschen State-Preparation-Methoden auf Basis probabilistischer grafischer Modelle, quadratischer binärer Polynome sowie Force-Directed Graph Drawing.
• Experimentelle Analyse von Quantencomputern: Unsere Algorithmen erproben wir auf Quantenprozessoren unterschiedlicher Technologien (supraleitend, Ionenfallen, neutrale Atome u. a.) und Hersteller (IBM, IonQ, IQM, D-Wave, QuEra u. a.).
• Relation zwischen klassischen und quantenmaschinellen Lernverfahren: Wir untersuchen die Relation zwischen klassischen maschinellen Lernverfahren und entsprechenden Quantenalgorithmen, unter anderem für Support Vector Machines, Markov Random Fields, Restricted Boltzmann Machines und neuronale Netze.

Die Forschungsarbeiten zum Quantencomputing sind eng mit der Quantum Machine Intelligence Gruppe des Lamarr-Instituts verzahnt. Ein wichtiger Meilenstein sind neue Erkenntnisse zur Ausdrucksstärke von Quanten Restricted Boltzmann Machines.