Quantencomputing

© AdobeStock

Quantencomputing nutzt quantenmechanische Effekte, um Berechnungen durchzuführen, die weit jenseits der Leistungsgrenzen herkömmlicher Supercomputer liegen. Damit birgt es das Potenzial, bislang unlösbare Probleme in Zukunft effizient zu bewältigen. Mit den beiden Schwerpunkten quantengestütztes Maschinelles Lernen und Quantenoptimierung untersucht die Gruppe industrierelevante Anwendungen und Methoden, um den Transfer in die breite industrielle Anwendung frühzeitig zu unterstützen. Im Fokus stehen hierbei die Neu- und Weiterentwicklung von Quantenalgorithmen unter besonderer Berücksichtigung des aktuellen Hardwarefortschritts. Trotz dieser erfolgversprechenden Perspektive bestehen derzeit noch Herausforderungen, die erst mittelfristig überwunden werden können. Vor diesem Hintergrund ist eine der Hauptfragen, welche Anwendungen von den bereits verfügbaren Quantencomputern profitieren können.

Zentrale Anwendungsfelder am Fraunhofer IPA sind die Produktions- und Automatisierungstechnik, sowie die Wasserstofftechnologie. Diese stehen in engem Zusammenhang mit der Notwendigkeit einer nachhaltigen Entwicklung. Dadurch können zukunftsrelevante Transformationsprozesse angestoßen werden.

Als Teil des Fraunhofer-Kompetenznetzwerks »Quantencomputing« hat das Fraunhofer IPA exklusiven Zugriff auf das »IBM Q System One«, das im Jahr 2021 als erster kommerzieller Quantencomputer Europas in Ehningen (bei Stuttgart) in Betrieb genommen wurde.

 

Quantum Machine Learning

Quantum Machine Learning nutzt Eigenschaften der Quantenphysik, um Herausforderungen im Bereich Machine Learning und künstlicher Intelligenz zu lösen. Unsere Arbeit hat das Ziel, die Grenzen des derzeitigen Standes der Technik im Bereich QML zu erweitern und neue Wege für den Einsatz von Quantencomputern in diesem Bereich zu finden.

 

Quantenoptimierung

In vielen Industriezweigen treten komplexe Optimierungsprobleme auf. Eine effiziente Lösung hat direkte Auswirkungen auf wichtige Aspekte wie Gewinn, Materialverbrauch und Nachhaltigkeit. Wir untersuchen, wie Quantencomputing dafür verwendet werden kann.

 

Anwendungsbereiche Quantencomputing

Als potenziell disruptive Technologie hat das Quantencomputing das Potential, den Fortschritt auf wichtigen Anwendungsfeldern zu beeinflussen. Zu den Anwendungsfeldern mit besonderem Fokus am Fraunhofer IPA zählen Produktion und Wasserstofftechnologie. 

 

AutoQML

Automatisiertes maschinelles Lernen (AutoML) erlaubt einen niedrigschwelligen Zugang zu KI-Lösungen. Das Projekt »AutoQML« erweitert diesen Ansatz um Quantencomputing-basierte Methoden, damit ein frühzeitiger Transfer in die Industrie möglich wird.

 

SEQUOIA

Das »SEQUOIA«-Projekt konzentriert sich auf das Software-Engineering industrieller, hybrider Quantenanwendungen und -algorithmen. Im Projekt werden neue Methoden, Werkzeuge und Vorgehensweisen für Quantencomputing erforscht, entwickelt und erprobt, um zukünftig die industrielle Nutzung zu ermöglichen.

 

Degrad-EL3-Q

Im Rahmen von »Degrad-EL3-Q« wird der Einsatz von Quantencomputern zur Lebensdaueranalyse von Elektrolyseuren untersucht. Das Projekt ist Teil des Leitprojekts »H2Giga«, in dem die serielle Produktion von Elektrolyseuren entwickelt wird.

 

AQUAS

»AQUAS« hat das Ziel, Katalyseprozesse von Elektrolysematerialien durch Quantensimulationen zugänglich zu machen. Das Fraunhofer IPA untersucht quantenbasierte KI-Methoden zur Ergänzung der Simulation.

 

sQUlearn

sQUlearn ist eine benutzerfreundliche Python-Bibliothek für Quantum Machine Learning. Das Paket wurde speziell für die nahtlose Integration mit herkömmlichen Machine-Learning-Tools wie scikit-learn entwickelt. Die mehrschichtige Architektur der Bibliothek richtet sich sowohl an Experten, als auch an Einsteiger.