Für optimierte Produktionsprozesse und weniger Materialverschwendung in Fertigungen werden Künstliche Intelligenz (KI) und Quantencomputing immer wichtiger. Diese Methoden kommen über die gesamte Prozesskette von der initialen Blechproduktion über das Blechschneiden und -schweißen (zum Beispiel mittels Laser) bis hin zum abschließenden Lackieren der gefertigten Teile zum Einsatz. Dazu gehören auch Ansätze wie erklärbare KI für transparente Modelle, Quantencomputing zur Materialoptimierung, physikbasierte KI-Modelle für präzise Schneide- und Schweißprozesse sowie generative KI als virtueller Assistent und zur Generierung synthetischer Datensätze.
Für optimierte Produktionsprozesse und weniger Materialverschwendung in Fertigungen werden Künstliche Intelligenz (KI) und Quantencomputing immer wichtiger. Diese Methoden kommen über die gesamte Prozesskette von der initialen Blechproduktion über das Blechschneiden und -schweißen (zum Beispiel mittels Laser) bis hin zum abschließenden Lackieren der gefertigten Teile zum Einsatz. Dazu gehören auch Ansätze wie erklärbare KI für transparente Modelle, Quantencomputing zur Materialoptimierung, physikbasierte KI-Modelle für präzise Schneide- und Schweißprozesse sowie generative KI als virtueller Assistent und zur Generierung synthetischer Datensätze.
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.
Eine der größten Herausforderungen der angewandten Quanteninformatik ist die Suche nach einem praxisrelevanten Quantenvorteil auf aktueller, rauschbehafteter Quantenhardware. Obwohl es sowohl empirische als auch theoretische Nachweise für bis zu exponentielle Quantenbeschleunigungen gibt, sind die betrachteten Probleme überwiegend akademischer Natur und hängen von spezifischen mathematischen Eigenschaften ab. Dies erschwert die praktische Anwendbarkeit erheblich, da bei realen Anwendungsfällen im Allgemeinen nicht davon ausgegangen werden kann, dass diese komplexe mathematische Voraussetzungen erfüllen. Vor diesem Hintergrund untersucht diese Arbeit, wie etablierte Quantenvorteile auf praxisrelevante Probleme in den Bereichen KI und Optimierung ausgeweitet werden können. Für die zwei praxisrelevanten Optimierungsprobleme des Turbinenauswuchtens und der Community-Erkennung zeigen wir, wie sich Quantenoptimierungsalgorithmen mithilfe neuartiger, speichereffizienter Lösungskodierungen effizient einsetzen lassen. Weiter zeigen wir für die KI-Anwendungen der Betrugserkennung, der Designraumexploration und der Stimmungserkennung, dass Quantenalgorithmen in einigen Fällen bessere Ergebnisse als ihre klassischen Gegenstücke erzielen können. Darüber hinaus stellen wir verschiedene Verbesserungen der praktischen Anwendbarkeit häufig eingesetzter Quantenoptimierungs- und Quanten-Machine-Learning-Algorithmen mit Fokus auf rauschbehaftete Hardware vor. Zunächst präsentieren wir eine polynomielle Problemformulierung für kontinuierliche Optimierungsprobleme hohen Grades, die die vollen Möglichkeiten des weit verbreiteten Quantum Approximate Optimization Algorithm (QAOA) ausschöpft. Anschließend stellen wir ein problemagnostisches Designkonzept für parametrisierte Quantenschaltkreise vor, das besonders parametereffizient ist und dadurch Beschleunigungen beim Parametertraining ermöglicht. Für nicht-lokale Problemstellungen führen wir eine effiziente Trainingsmethode für entsprechend parametrisierte Quantenalgorithmen ein, die Informationen über die Verlustfunktion ausnutzt. Abschließend präsentieren wir eine NISQ-optimierte Implementierung der weitreichend eingesetzten Umwandlung von digitaler in analoge Quantenkodierung, sowie einen sehr effizienten GPU-basierten QAOA Simulator, der großskalige Benchmarks in Bezug auf einen Quantenvorteil ermöglicht. Zusammenfassend treibt die Vielzahl und Tiefe der in dieser Arbeit vorgestellten Ansätze zahlreiche Wege hin zu einem praxisrelevanten Quantenvorteil für Optimierung und Künstliche Intelligenz signifikant voran.
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.
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.
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.
In den letzten Jahren wurde der Fortschritt der Künstlichen Intelligenz (KI) maßgeblich durch die Skalierung der Modellgröße und -komplexität vorangetrieben. Dieser stetige Anstieg der Parameterzahlen und der daraus resultierende enorme Ressourcenverbrauch stellen die Skalierbarkeit klassischer Architekturen infrage und erfordern fundamental neue, parametereffiziente Ansätze. Das Quantencomputing stellt hierbei eine vielversprechende Alternative dar, die leistungsfähige Modelle mit signifikant weniger Parametern ermöglicht. In der heutigen Ära des Noisy Intermediate-Scale Quantum Computing etablieren sich variationelle Quantenalgorithmen (VQAs) als führender Ansatz für reale Hardware. Ihre Anwendung wird jedoch durch mehrere grundlegende Herausforderungen eingeschränkt: instabile Trainingsdynamiken, flache Lösungslandschaften, welche die Skalierbarkeit erschweren, sowie den mühsamen manuellen Entwurf von Quantenschaltungen. Diese Dissertation begegnet diesen Herausforderungen mit der Entwicklung systematischer Methodiken für den gesamten VQA-Entwicklungszyklus. Es werden robuste Trainings- und Optimierungstechniken wie Weight Re-Mapping, exponentielle Lernratenanpassung, strukturelles Pruning und metaheuristische Optimierung eingeführt, um Konvergenz zu steigern und flache Lösungslandschaften zu vermeiden. Zudem werden Verfahren zur automatisierten Architektursuche für Quantenschaltungen mittels Reinforcement Learning und evolutionärer Algorithmen entwickelt, um die Abhängigkeit von manuellen Entwürfen zu verringern. Der praktische Nutzen dieser Methodik wird in mehreren anspruchsvollen KI-Domänen demonstriert. So werden VQAs genutzt, um hochgradig parametereffiziente Agenten für das Quanten-Reinforcement-Learning zu konstruieren. Ferner werden neuartige Quantenmodelle für generative KI und die Anomalieerkennung vorgestellt. Über diese Anwendungen hinaus wird eine Methode zur fairen Bewertung hybrider Systeme entwickelt und das Verhältnis zwischen Parametereffizienz und Trainingszeit quantifiziert. Zusammengenommen ergeben diese Beiträge validierte, systematische Ansätze, die VQAs von theoretischen Konzepten zu robusten, praxistauglichen Werkzeugen für den Einsatz von Quanten-KI auf Hardware der nahen Zukunft weiterentwickeln.