Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

VDI-Z

Quantenmaschinelles Lernen

Published Jan 1, 2025• 0 citations
Publisher

Abstract

Im Verbundprojekt „AutoQML“ haben die Fraunhofer-Institute IAO und IPA gemeinsam mit sieben Industriepartnern eine gleichnamige Anwendungssoftware entwickelt. Die Open-Source-Software verknüpft Quantencomputing und Maschinelles Lernen. So werden Algorithmen des Quanten-Machine-Learning ohne tiefgehendes Fachwissen nutzbar.
DOI
10.37544/0042-1766-2025-04-40

Related papers

Quantum Machine Learning im chemischen Raum

O. Anatole von Lilienfeld

Lerneifrige Algorithmen: Anstatt die rechnerisch anspruchsvollen Gleichungen der Quantenmechanik (QM) und statistischen Mechanik numerisch zu lösen, kann man mithilfe maschinellen Lernens Lösungen inferieren, indem zuvor erfasste Eigenschaften von Molekülen und Materialien interpoliert werden. Quantum Machine Learning (QML) ist ein induktives, molekulares Modellierungsverfahren, das auf quantenchemische Probleme anwendbar ist.

Angewandte Chemie•Dec 7, 2017•3 citations

Angewandtes Quantencomputing

Jörg Lässig

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.

Informatik-Spektrum•Sep 23, 2020•1 citation

Quanten-maschinelle Lernmethoden in der Preisprognose von gebrauchten Baumaschinen

Horst Stühler, Daniel Pranjić

Abstract Im Bausektor ist die präzise Preisvorhersage für gebrauchte Baumaschinen entscheidend, um den Wert von Maschinenbeständen optimal zu nutzen und die Rentabilität zu maximieren. Maschinelles Lernen (ML) bietet eine vielversprechende Lösung, indem es große Datenmengen analysiert und zukünftige Preisentwicklungen prognostiziert. Neuere Entwicklungen im Bereich des Quantencomputing (QC) und des Quanten-Maschinellen-Lernen (QML) versprechen weitere Fortschritte in der Genauigkeit und Effizienz von Vorhersagen. Dieser Artikel untersucht die Methodik und die potenziellen Vorteile quantenbasierter Modelle im Vergleich zu klassischen ML-Verfahren und beleuchtet die Rolle von Support-Vektor-Maschinen (SVM) und Quanten-Support-Vektor-Maschinen (QSVM).

Zeitschrift für wirtschaftlichen Fabrikbetrieb•May 20, 2025•1 citation

Mit Quantencomputing zum vollständigen digitalen Zwilling für die Produktion

Der digitale Zwilling ist eine Schlüsseltechnike, um Produktionsprozesse und Bauteile zu optimieren und die Wirtschaftlichkeit der Fertigung zu erhöhen. Beim Erzeugen eines vollständigen digitalen Zwillings kommen komplexe und rechenintensive Simulationsmodelle zum Einsatz, was den Einsatz in der industriellen Praxis sehr erschwert. Mit dem Forschungsprojekt „QUASIM“ verfolgen das Fraunhofer-Institut für Produktionstechnologie IPT aus Aachen und ihre Konsortialpartner das Ziel, Fertigungssimulationen mithilfe unterschiedlicher Algorithmen und Techniken des recheneffizienten Quantencomputings zu beschleunigen und dadurch Hürden für den industriellen Einsatz abzubauen.

Konstruktion•Jan 1, 2022•0 citations

Quantencomputing in Finance

Thomas J. Decker

Im Bereich des Quantencomputing werden Eigenschaften quantenmechanischer Systeme genutzt, um schnellere Berechnungen durchzuführen oder bessere Lösungen bei Optimizerungsproblemen zu finden. Im Folgenden werden zwei Beispiele aus dem Finanzbereich vorgestellt, bei denen Vorteile durch Quantencomputing möglich sind. Das erste Beispiel beruhrt auf einem Risikomodell, das die Berechnung von Wahrscheinlichkeiten von Ereignissen ermöglicht. Hierbei wird eine Möglichkeit vorgestellt, wie die Einflussstärken einzelner Parameter des Modells mittels Quantenalgorithmen (Grover-Algorithmus und Quanten-Amplituden-Schätzung) effizienter ermittelt werden können. Als zweites Beispiel wird das Portfoliomanagement betrachtet. Dabei sollen Geldmittel in verschiedene Anlagen verteilt werden, so dass bei einem erwarteten Gewinn die Volatilität möglichst gering ist. Dieses Optimierungsproblem kann als QUBO (Quadratic Unconstrained Binary Optimization) formuliert werden und damit können mittels Quanten-Annealern optimale Lösungen möglicherweise effizenter ermittelt werden.

•Jan 1, 2026•0 citations

Mustererstellung für Quantenalgorithmen in einem Musterrepository

Martin Beisel

Muster werden in unterschiedlichsten Domänen zur Dokumentation von häufig wiederkehrenden Problemen verwendet. Zumeist arbeiten mehrere Musterautoren kollaborativ an dem Identifikations- und Erstellungsprozess einer Mustersprache. Die Dokumentation der Muster erfolgt entweder klassisch in einem Buch oder Paper oder in einem Musterrepository. Ein Repository bietet den Vorteil, dass es einfach angepasst und erweitert werden kann. Mit der steigenden Relevanz des Quantencomputings wurde es immer wichtiger, dass Entwickler Quantenalgorithmen effizient erstellen können. Um dies zu erreichen wurden häufig wiederkehrende Probleme aufgefasst und in den ersten Quantencomputing-Mustern dokumentiert. Da sich die Quantencomputing-Domäne momentan sehr schnell entwickelt, sollen die Muster erweitert und beim Erlangen neuer Erkenntnisse angepasst werden. Im Rahmen dieser Masterarbeit wurde analysiert, welche spezifischen Anforderungen Quantencomputing-Muster an ein Musterrepository haben. Insbesondere das Darstellen, Bearbeiten und Diskutieren von Quantenartefakten, wie mathematischen Formeln, Quantenschaltungen und konkreten Implementierungen, wurde als essentiell identifiziert. Auf Basis dieser Anforderungen und der allgemeinen Richtlinien zum Mustererstellungsprozess wurde ein Konzept für ein Quantencomputing-Musterrepository entwickelt, welches im Pattern Atlas als Prototyp umgesetzt wurde.

•Jan 1, 2020•0 citations
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.
Abstract Im Bausektor ist die präzise Preisvorhersage für gebrauchte Baumaschinen entscheidend, um den Wert von Maschinenbeständen optimal zu nutzen und die Rentabilität zu maximieren. Maschinelles Lernen (ML) bietet eine vielversprechende Lösung, indem es große Datenmengen analysiert und zukünftige Preisentwicklungen prognostiziert. Neuere Entwicklungen im Bereich des Quantencomputing (QC) und des Quanten-Maschinellen-Lernen (QML) versprechen weitere Fortschritte in der Genauigkeit und Effizienz von Vorhersagen. Dieser Artikel untersucht die Methodik und die potenziellen Vorteile quantenbasierter Modelle im Vergleich zu klassischen ML-Verfahren und beleuchtet die Rolle von Support-Vektor-Maschinen (SVM) und Quanten-Support-Vektor-Maschinen (QSVM).
Der digitale Zwilling ist eine Schlüsseltechnike, um Produktionsprozesse und Bauteile zu optimieren und die Wirtschaftlichkeit der Fertigung zu erhöhen. Beim Erzeugen eines vollständigen digitalen Zwillings kommen komplexe und rechenintensive Simulationsmodelle zum Einsatz, was den Einsatz in der industriellen Praxis sehr erschwert. Mit dem Forschungsprojekt „QUASIM“ verfolgen das Fraunhofer-Institut für Produktionstechnologie IPT aus Aachen und ihre Konsortialpartner das Ziel, Fertigungssimulationen mithilfe unterschiedlicher Algorithmen und Techniken des recheneffizienten Quantencomputings zu beschleunigen und dadurch Hürden für den industriellen Einsatz abzubauen.
Im Bereich des Quantencomputing werden Eigenschaften quantenmechanischer Systeme genutzt, um schnellere Berechnungen durchzuführen oder bessere Lösungen bei Optimizerungsproblemen zu finden. Im Folgenden werden zwei Beispiele aus dem Finanzbereich vorgestellt, bei denen Vorteile durch Quantencomputing möglich sind. Das erste Beispiel beruhrt auf einem Risikomodell, das die Berechnung von Wahrscheinlichkeiten von Ereignissen ermöglicht. Hierbei wird eine Möglichkeit vorgestellt, wie die Einflussstärken einzelner Parameter des Modells mittels Quantenalgorithmen (Grover-Algorithmus und Quanten-Amplituden-Schätzung) effizienter ermittelt werden können. Als zweites Beispiel wird das Portfoliomanagement betrachtet. Dabei sollen Geldmittel in verschiedene Anlagen verteilt werden, so dass bei einem erwarteten Gewinn die Volatilität möglichst gering ist. Dieses Optimierungsproblem kann als QUBO (Quadratic Unconstrained Binary Optimization) formuliert werden und damit können mittels Quanten-Annealern optimale Lösungen möglicherweise effizenter ermittelt werden.
Muster werden in unterschiedlichsten Domänen zur Dokumentation von häufig wiederkehrenden Problemen verwendet. Zumeist arbeiten mehrere Musterautoren kollaborativ an dem Identifikations- und Erstellungsprozess einer Mustersprache. Die Dokumentation der Muster erfolgt entweder klassisch in einem Buch oder Paper oder in einem Musterrepository. Ein Repository bietet den Vorteil, dass es einfach angepasst und erweitert werden kann. Mit der steigenden Relevanz des Quantencomputings wurde es immer wichtiger, dass Entwickler Quantenalgorithmen effizient erstellen können. Um dies zu erreichen wurden häufig wiederkehrende Probleme aufgefasst und in den ersten Quantencomputing-Mustern dokumentiert. Da sich die Quantencomputing-Domäne momentan sehr schnell entwickelt, sollen die Muster erweitert und beim Erlangen neuer Erkenntnisse angepasst werden. Im Rahmen dieser Masterarbeit wurde analysiert, welche spezifischen Anforderungen Quantencomputing-Muster an ein Musterrepository haben. Insbesondere das Darstellen, Bearbeiten und Diskutieren von Quantenartefakten, wie mathematischen Formeln, Quantenschaltungen und konkreten Implementierungen, wurde als essentiell identifiziert. Auf Basis dieser Anforderungen und der allgemeinen Richtlinien zum Mustererstellungsprozess wurde ein Konzept für ein Quantencomputing-Musterrepository entwickelt, welches im Pattern Atlas als Prototyp umgesetzt wurde.