Zusammenfassung Quantencomputing ist als Konzept mittlerweile zwar mehrere Jahrzehnte alt und hat von der Idee bis zu den heutigen Noisy Intermediate-Scale Quantum Maschinen verschiedene Phasen stetiger Entwicklung durchlaufen, jedoch insbesondere in den letzten Jahren deutlich an Dynamik gewonnen. Im aktuellen Stadium stehen Quantenrechner zur Verfügung, die zwar noch immer stark limitiert sind, jedoch die Ausführung maßgeschneiderter Algorithmen unterstützen, die bestehende Schwächen dieser Maschinen mit ihrem speziellen Design zu umgehen versuchen. Diese Algorithmen adressieren dabei mit Maschinellem Lernen, kombinatorischer Optimierung und Simulationsanwendungen sowie weiteren potenziellen Anwendungsfeldern Problemstellungen, die praktisch vielfältig relevant und deshalb von breitem, allgemeinen Interesse sind. Das prinzipielle Potenzial des Quantencomputers, in bestimmten Anwendungsfeldern deutlich leistungsfähiger zu sein als klassische Rechner, ruft viel Aufmerksamkeit hervor. Außerdem stellt bereits eine ganze Reihe von prinzipiell für jedermann zugänglichen Softwareframeworks Implementierungen aktueller Quantenalgorithmen zum Test und zur Evaluierung bereit. Der Artikel stellt die bisherige Entwicklung, aktuelle Verfahren sowie weitere Perspektiven der Technologie in Grundzügen dar und informiert über mögliche Anwendungsgebiete aber auch bekannte Grenzen des Quantencomputing-Paradigmas.
Zusammenfassung Quantencomputing ist als Konzept mittlerweile zwar mehrere Jahrzehnte alt und hat von der Idee bis zu den heutigen Noisy Intermediate-Scale Quantum Maschinen verschiedene Phasen stetiger Entwicklung durchlaufen, jedoch insbesondere in den letzten Jahren deutlich an Dynamik gewonnen. Im aktuellen Stadium stehen Quantenrechner zur Verfügung, die zwar noch immer stark limitiert sind, jedoch die Ausführung maßgeschneiderter Algorithmen unterstützen, die bestehende Schwächen dieser Maschinen mit ihrem speziellen Design zu umgehen versuchen. Diese Algorithmen adressieren dabei mit Maschinellem Lernen, kombinatorischer Optimierung und Simulationsanwendungen sowie weiteren potenziellen Anwendungsfeldern Problemstellungen, die praktisch vielfältig relevant und deshalb von breitem, allgemeinen Interesse sind. Das prinzipielle Potenzial des Quantencomputers, in bestimmten Anwendungsfeldern deutlich leistungsfähiger zu sein als klassische Rechner, ruft viel Aufmerksamkeit hervor. Außerdem stellt bereits eine ganze Reihe von prinzipiell für jedermann zugänglichen Softwareframeworks Implementierungen aktueller Quantenalgorithmen zum Test und zur Evaluierung bereit. Der Artikel stellt die bisherige Entwicklung, aktuelle Verfahren sowie weitere Perspektiven der Technologie in Grundzügen dar und informiert über mögliche Anwendungsgebiete aber auch bekannte Grenzen des Quantencomputing-Paradigmas.
Quantencomputer ermöglichen es, bestimmte Berechnungen schneller, genauer und energieeffizienter durchzuführen als klassische Computer, indem sie quantenmechanische Phänomene ausnutzen. Da die Umsetzung der meisten Quantenalgorithmen allerdings Operationen benötigt für die Quantencomputer ungeeignet sind, z. B. Datenbankzugriffe, werden Quantencomputer typischerweise als Spezialprozessoren in hybriden Quantenanwendungen verwendet. Die Entwicklung und der Betrieb dieser hybriden Anwendungen sind komplex und erfordern eine enge interdisziplinäre Zusammenarbeit. Dabei wird tiefgreifendes Wissen aus unterschiedlichen Domänen benötigt, beispielsweise aus der Mathematik, Physik und Softwareentwicklung. Zusätzlich wird die Entwicklung und der Betrieb von Quantenanwendungen durch weitere Faktoren erschwert: (i) Die aktuelle Quantensoftwarelandschaft und die verfügbaren Quanten-Clouddienste, die Zugriff auf unterschiedliche Quantencomputer geben, sind sehr heterogen. (ii) Die schnellen Fortschritte im Quanten-Software-Engineering führen zur Einführung neuer Techniken, welche die Ausführung von Quantenschaltkreisen verbessern können, allerdings aktuell eine komplexe, manuelle Integration erfordern. (iii) Das Fehlen geeigneter Abstraktionsebenen führt dazu, dass die Entwicklung von Quantenanwendungen, insbesondere für Entwickler, die wenig Erfahrung mit Quantencomputing haben, zeitaufwändig und fehleranfällig ist. Um diese Probleme zu lösen, wird in dieser Arbeit die PASTA-Methode präsentiert. Diese basiert auf der Quantencomputingmustersprache, welche etablierte Konzepte und Best Practices in der Quantencomputingdomäne intuitiv verständlich dokumentiert, und stellt einen ganzheitlichen Prozess für diemusterbasierten Entwicklung und den Betrieb von Quantenanwendungen vor. Die Methode beinhaltet alle notwendigen Schritte von der Auswahl der zu verwendenden Quantencomputingmuster, über die Generierung der ausführbaren Quantenanwendung auf Basis wiederverwendbarer Lösungen sowie die Bereitstellung der erforderlichen Softwareartefakte, bis hin zur Überwachung und Analyse der Ausführung hybrider Quantenanwendungen. Zur Umsetzung der PASTA-Methode wird im Rahmen dieser Arbeit die Quantencomputingmustersprache um mehrere Muster erweitert, welche Best Practices für den Betrieb von hybriden Quantenanwendungen sowie etablierte Methoden zur Abschwächung und Korrektur von Quantenfehlern dokumentieren. Um die vom Nutzer ausgewählten Muster in einen ausführbaren Quantenworkflow transformieren zu können, werden eine Vielzahl neuer Workflowmodellierungskonstrukte eingeführt, welche die Spezifikation verschiedener, häufig auftretender Aktivitäten in Quantenworkflows vereinfachen. Weiterhin wird ein Ansatz für die automatische und dynamische Bereitstellung von hybriden Quantenanwendungen auf Grundlage von Nutzeranforderungen vorgestellt. Auf diesen Konzepten aufbauend werden neue Sichten auf Quantenworkflows eingeführt, welche die Überwachung und Analyse von hybriden Quantenanwendungen vereinfachen. Die Sichten ermöglichen es unterschiedlichen Nutzergruppen, wie beispielsweise Quantenexperten und dem Betriebspersonal, Quantenanwendungen auf verschiedenen Abstraktionsebenen zu analysieren und bieten zusätzliche, für die jeweilige Nutzergruppe relevante Informationen. Zur Demonstration der praktischen Umsetzbarkeit der PASTA-Methode wird das PASTA-Framework eingeführt, welches die in dieser Arbeit eingeführten Konzepte prototypisch implementiert. Die Nutzbarkeit der Methode und des Frameworks werden anhand mehrerer Anwendungsfälle evaluiert, für welche eine Laufzeitanalyse sowie eine Nutzerstudie durchgeführt wird.
Quantencomputer Quantencomputerwurden ursprünglich bereits im letzten Jahrhundert als neuartige Computer vorgeschlagen, um insbesondere Simulationen von quantenmechanischen Prozessen zu verbessern. In den letzten Jahren konnten Quantencomputer auch praktisch realisiert werden und stehen nun als erste kleine Geräte kommerziell zur Verfügung. Dadurch kann das Potential für unterschiedliche Anwendungsbereiche eingehender praktisch erforscht werden. Ein vielversprechender Bereich ist die quantengestützte Künstliche Intelligenz (KI), wo der Einsatz von Quantencomputing z. B. zu einem dateneffizienteren Training führen kann. Dieser Beitrag diskutiert den aktuellen Stand von Quantencomputing und zeigt mögliche Perspektiven einer quantengestützten KI auf, einschließlich möglicher Anwendungsfelder und aktueller Herausforderungen.
Quantencomputer versprechen eine revolutionäre Leistungssteigerung und könnten damit einige aktuelle Paradigmen der Informatik obsolet werden lassen. Diese Technologie ist für Interessierte ohne Vorkenntnisse aus dem Bereich der Quantenphysik jedoch schwer nachzuvollziehen. Die vorliegende Arbeit basiert auf einer Literaturrecherche und wurde verfasst, um die Thematik der Quantencomputer verständlich darzulegen. Zu diesem Zweck wird zuerst eine Beschreibung von relevanten Grundprinzipien der Quantenmechanik gegeben. Neben der Anführung von bestimmten Quantenzahlen und deren Zuständen werden dabei die Konzepte der Superposition und der Verschränkung dieser Zustände erläutert. Danach wird die Funktionsweise eines auf Quantengattern basierenden Computers mathematisch und grafisch nachvollziehbar beschrieben. Operationen, welche durch Transformation von Quantenzuständen ausgeführt werden, und Anwendungen für diese Art von Berechnungen werden vorgestellt. Potenziale und Einschränkungen sind durch das Verständnis der Arbeitsweise eines Quantencomputers eingängig. Der Aufbau eines Quantencomputers, sowie eine Analyse des Fortschritts bei der Realisierung von voll skalierbaren Quantencomputern werden weiters dargelegt. Dabei wird auf die wesentlichen Bestandteile eines Quantenchips näher eingegangen. Für geeignet gehaltene Quantenzustände für die Nutzung als Qubits, sowie Verfahren zur Speicherung und Manipulation von Informationen durch Quantencomputer werden beschrieben. Vor allem die Fehlerrate von Qubits stellt Forscher und Entwickler derzeit noch vor große Herausforderungen. Diese Arbeit gibt deshalb einen Ausblick, welche weiteren Schritte nötig sind, um die Vision von kommerziell einsetzbaren Quantencomputern zu verwirklichen.
Zusammenfassung Für den nächsten Konjunkturzyklus benötigen wir viel mehr Rechenkapazität und Computer mit Transistortechnologie kommen an ihre Grenzen. Es sind also neue Innovationen gefragt. Der Quantencomputer, der das binäre System aushebelt und nicht auf Mikroprozessoren aus Silizium basiert, könnte eine Lösung sein. Diese Technologie wird sich exponentiell weiter entwickeln und nachhaltige Auswirkungen auf Wissenschaft, Wirtschaft und Gesellschaft haben. Speziell die Quantenkommunikation bietet eine vollständig neuartige Möglichkeit verteilter Rechenleistung, indem sie erlaubt Quantencomputer über Quantenkanäle zu vernetzen und so intrinsisch sichere Kommunikation zu gewährleisten. Dieser Artikel macht begreiflich, wie Quantencomputer neue Phänomene ausnutzen, die in der klassischen Physik nicht auftreten. Entlang vier identifizierter Haupteinsatzgebiete (Optimierung, Simulation, Maschinelles Lernen und Kryptographie) beschreiben wir Anwendungsmöglichkeiten in verschiedenen Branchen. Wir erklären wie technische Herausforderungen das Potenzial noch zurückhalten und wie der Quantencomputer als Ergänzung zu traditionellen Computersystemen einen großen Beitrag leisten kann. Entsprechend müssen Unternehmen nicht unbedingt in Quantencomputer investieren, sondern in deren Nutzung. Quantum als Service kann ein erster Schritt für visionäre Unternehmer sein, um sich damit vertraut zu machen und frühzeitig Wettbewerbsvorteile zu erlangen.
Das rasante Wachstum des maschinellen Lernens und der zu verarbeitenden Datenmengen hat den Bedarf an Rechenressourcen stark erhöht - zu einer Zeit, in der die Entwicklung klassischer Hardware an physikalische Grenzen stößt. Das Quantencomputing, mit seinem Potenzial für neue Formen der Parallelisierung und algorithmischen Beschleunigung, hat sich daher zu einem vielversprechenden Kandidaten entwickelt, um klassische Methoden zu ergänzen. In diesem Kontext zielt das Quantenmaschinelle Lernen darauf ab, Quanteneffekte zu nutzen, um die Ausdruckskraft und Effizienz von Modellen zu steigern.Die vorliegende Arbeit beschäftigt sich mit der Komponistenklassifikation auf Basis symbolischer Musikdaten von Live-Aufführungen und untersucht, wie Ansätze des hybriden Quantencomputings darauf angewendet werden können. Wir vergleichen strukturell unterschiedliche Methoden zur Merkmalsextraktion aus symbolischen Musikdaten, darunter an die natürliche Sprachverarbeitung angelehnte Verfahren, Graph-Einbettungen sowie musiktheoretisch fundierte statistische Verfahren, zunächst im Bereich des klassischen maschinellen Lernens. Während sich die Graph-Einbettung für unser Live-Aufführungsdaten als ungeeignet erweist, liefern die beiden anderen Ansätze starke klassische Referenzmodelle, und es gelingt uns, ein nicht reproduzierbares Verfahren aus der Literatur zu verbessern und damit konkurrenzfähige Ergebnisse zu erzielen.Auf dieser Grundlage evaluieren wir systematisch zwei Klassen von Quantenklassifikatoren - variationale Quantenschaltkreise und Quanten-Support-Vector-Machines - unter Verwendung einer simulierten Quantenrechenumgebung. Wir analysieren ihre Leistung im Verhältnis zu den klassischen Referenzmodellen sowie ihre Empfindlichkeit gegenüber verschiedenen Parametereinstellungen.Unsere Quantenmodelle können klassische Verfahren derezeit nicht übertreffen. Sie weisen jedoch charakteristische Muster von Unteranpassung und Überanpassung aufweisen, die wertvolle Hinweise für die Gestaltung zukünftiger hybrider Systeme liefern können. Zudem beobachten wir deutliche Leistungsunterschiede in Abhängigkeit von der Methode der klassischen Merkmalsextraktion.Wir legen eine Fallstudie vor, die Komponistenklassifikation in einem hybriden klassisch–quantischen Setup implementiert. Unsere Ergebnisse leisten einen Beitrag zum Verständnis des Verhaltens, der Grenzen und des Potenzials quantenmaschineller Lernmodelle im Bereich der Informationsextraktion aus Musikdaten.
Diese Arbeit beschäftigt sich mit der Thematik der Verwendung von Quantencomputer. Die Hauptziele bilden dabei die Ermittlung des Minimum-Wissens zur Verwendung eines Quantencomputers, wobei das Verständnis gegenüber Quantenalgorithmen als Verwendung angesehen wird. Das zweite Ziel ist festzustellen, wann welches Wissen benötigt wird. Dadurch soll ein Überblick geschaffen werden und ersichtlich sein welche Themengebiete voneinander abhängig sind. Durch Literaturrecherche wurden die wichtigsten Themenbegriffe ermittelt und stetig mit der Dokumentation eines Praxisprojektes von Studierenden des Studienganges Informationsmanagement 2018 verglichen. Diese Projektarbeit beschäftigte sich mit der Evaluierung einer Plattform, wodurch Quantencomputer über das Internet erreicht werden können. Basierend auf den Ergebnissen der Recherche und Vergleiche entsteht eine Landkarte des Wissens in der Form einer Concept Map. Diese unterteilt sich in zwei Versionen wobei Version 2 eine Erweiterung der ersten darstellt. In der ersten Version sind alle Begriffe inkludiert, die im ersten Arbeitspaket des Praxisprojektes benötigt wurden um ein Grundverständnis zu entwickeln. Die zweite Version der Concept Map bildet die Finale Version und alle Erkenntnisse ab. Dabei werden alle Begriffe zum Verständnis für Quantenalgorithmen eingearbeitet. Mithilfe dieser Concept Map, ist es möglich das Minimum-Wissen anhand wichtiger Begrifflichkeiten zu extrahieren. Durch die gerichteten Beziehungen zwischen den Begriffen ist es möglich zu erkennen, welche Themen voneinander abhängig sind und daher festzustellen, welches Thema wann wichtig ist.