Quantencomputing Einsatz von Quantencomputern in der industriellen Simulation

Quantencomputer im praktischen Einsatz in der Industrie: Ein Verbundprojekt will dazu Erkenntnisse gewinnen, denn das Potenzial ist hoch. Sie könnten die industrielle Prozessoptimierung und auch die Automatisierung beschleunigen, ebenso wie die Energieverteilung in Smart Grids optimieren.

Das enorme Technologiepotenzial, das in Quantencomputer-Systemen steckt, für die Praxis zu nutzen – dazu arbeiten im Verbundprojekt „Q-Genesys – Quantengenerative Modelle für industrielle Simulationssysteme“ die Expertinnen und Experten des Fraunhofer-Instituts für Integrierte Schaltungen IIS, der IQM Germany GmbH, der Ostbayerischen Technischen Hochschule OTH Regensburg und der Siemens AG zusammen. Die neuen Erkenntnisse sollen dann für hochkomplexe industrielle Anwendungen Verwendung finden, z. B. für die Erstellung komplizierter 3D-Designs, das Design neuer Moleküle oder anderer chemischer Produkte.

Ziel des Q-Genesys-Projekts ist die Überlegenheit (Supremacy) von Quantencomputern für den praktischen Einsatz in der Industrie nutzbar zu machen. Damit sind neuartige Modellierungs- und Evaluierungsmethoden für ein breites Spektrum von Industrieanwendungen möglich. Sie reichen von der Erstellung neuer Molekülstrukturen für Chemie, Pharmazie und Medizin, über die industriellen Prozessoptimierung bis hin zur Automatisierung. Das Projekt ist auf drei Jahre angelegt und beschäftigt sich auch mit Optimierungen von Energieverteilung für das Netzmanagement in Smart Grids und der Steuerung der Gebäudeautomation.

Hochkomplexes Benchmarking effizienter und schneller gestalten

Das Bundesministerium für Forschung, Technologie und Raumfahrt BMFTR fördert dieses Vorhaben im Programm Quantensysteme „Anwendungsorientierter Quanteninformatik“, um Quantencomputing und generatives Lernen zu verbinden und für effizientere, neue Produktentwicklungen nutzbar zu machen.

Die Konsortialpartner von Q-Genesys haben sich auf die die Fahne geschrieben, die Lücke zwischen klassischen Rechnern und Supercomputern sowie den Möglichkeiten effizienten Quantencomputings nun zu schließen. Mit ihrem Ansatz versuchen sie Quantenberechnungen zu beschleunigen und so beispielsweise Konstruktionsentwürfe nach Kriterien wie Gewichtsreduzierung, Materialeffizienz, Kostenminimierung und Leistungssteigerung mit hoher Einsparung von Zeit- und Kostenressourcen zu optimieren.

Q-Genesys verbindet Quantencomputing und generatives Lernen

Vorteile, die sich aus den physikalischen Eigenschaften von Quanten, wie z. B. eine Parallelität in der Verarbeitung (Superposition) oder beispielsweise durch die Verschränkungen (Entanglement) ergeben, werden gezielt mit Lösungsansätzen aus dem generativen Lernen verbunden. Beim generativen Lernen versucht man, durch Anreicherung von Informationen und geeignete Verknüpfung vorhandener Daten neue, angepasste Lösungen für Optimierungs- und Simulationsprozesse zu erzielen.

Bisher wurde dies über hohen Rechenaufwand mit klassischen Rechnern so genannter Supercomputer realisiert. Dies bedeutete trotz des hohen Aufwands jedoch keine ausreichende Beschleunigung bei der Berechnung hochdimensionaler Wahrscheinlichkeitsverteilungen, wie sie für praxisrelevante Szenarien in Industrie- und Wirtschaftsprozessen vorliegen.

Unter Federführung von Siemens stellten die Forschenden geeignete Datensätze aus der Industrie zusammen, bewerten und evaluieren sie dann im Praxistest. Die Firma IQM wird quantengenerative Modelle erstellen, die klassisch trainierbar sind und sich für die Erstellung von Stichproben eignen.

Frühzeitige Fehlertoleranz und -korrektur durch KI plus Quantencomputing

Die Expertinnen und Experten des Fraunhofer IIS erweitern diese klassisch erzeugten quantengenerative Modelle, um notwendige Strategien für frühzeitige Fehlertoleranz und -korrektur anbieten zu können. Hierbei nutzen sie vorrangig Methoden der künstlichen Intelligenz, um Fehlerkorrekturverfahren zu entwickeln und anzupassen, und diese dadurch so effizient wie möglich zu gestalten. So können die Vorteile, die Quantencomputing bietet, auch auf eher fehlerbehaftet arbeitender Hardware dennoch genutzt werden.

Die OTH Regensburg beschäftigt sich mit den notwendigen Methoden zum Training und dem adäquaten Erstellen von Stichproben, die sich für die Beantwortung der Problemstellung besonders eignen. So können im Projekt effiziente Schätzverfahren für die entsprechend trainingsrelevanten Größen bzw. für eine fehlerresistentes Stichproben-Sampling-Verfahren erstellt werden.

(ID:50716601)