Quantenoptimierung hat sich als vielversprechende Anwendung der Quanteninformatik herausgestellt, stößt jedoch in Bezug auf Modellierung, Skalierbarkeit und Implementierung auf erhebliche Einschränkungen. Diese Arbeit behandelt diese Herausforderungen, indem neue Ansätze vorgestellt werden, die die praktische Anwendbarkeit der Quantenoptimierung verbessern. Im Bereich der Modellierung analysieren wir die Formulierung des quadratischen unbeschränkten binären Optimierungsproblems (QUBO). Obwohl weit verbreitet, erfordert QUBO die Umsetzung von Nebenbedingungen durch Strafterme, die einen zusätzlichen Variablenaufwand verursachen und sich insbesondere für Ungleichungen nur schwer verallgemeinern lassen. Wir schlagen maßgeschneiderte Strafterme für spezifische Probleme vor, wie das Ride-Pooling-Problem, und führen das neue Konzept der Anreizterme“ als Alternative zu Straftermen ein. Diese Strategien reduzieren die ” Anzahl der Wechselwirkungen und Variablen, wodurch die Formulierung effizienter wird, ohne die Durchsetzbarkeit der Nebenbedingungen zu verlieren. Zur Bewältigung der Skalierungsprobleme von Quantenalgorithmen entwickeln wir ein Parallelisierungsframework für Variations-Quantenalgorithmen (VQAs). Die Methode zerlegt Schaltkreise in kleinere Teilschaltkreise, die parallel optimiert werden, dabei jedoch weiterhin durch die Zielfunktion des Problems gesteuert bleiben. Im Gegensatz zur klassischen Zerlegung bewahrt dieser Ansatz die Probleminformation und ermöglicht die Optimierung größerer Probleme auf Quantenhardware. Wir haben dies experimentell getestet und gezeigt, dass das Framework einen praktikablen Weg zur skalierbaren Quantenoptimierung bietet. Auf Hardwareebene untersuchen wir das Problem des Minor Embedding in supralei- tenden Quanten-Annealing-Systemen. Das Einbetten verändert die Geometrie und Physik des Problems und führt zu Redundanz durch Qubit-Ketten, die die Berechnung fehleranfälliger machen. Zur Abmilderung dieser Probleme schlagen wir eine neue Einbettungsmethode vor, die von der Lechner–Hauke–Zoller (LHZ)-Architektur inspiriert ist und höherwertige Wechselwirkungen in eine modulare Struktur mit 2- Körper-Kopplungen übersetzt. Die resultierende Einbettung gewährleistet konstante Kettenlängen, kurze Wechselwirkungen und Skalierbarkeit, während sie weitgehend die spektralen Eigenschaften des ursprünglichen Hamiltonians erhält. Obwohl der Qubit-Overhead weiterhin quadratisch bleibt, stellt der Ansatz einen konkreten Schritt in Richtung praktikabler Annealing-Implementierungen dar. Zusammen zeigen diese Beiträge, dass die Quantenoptimierung derzeit noch nicht mit modernen klassischen Algorithmen konkurrieren kann – vor allem aufgrund von Hardwareeinschränkungen, begrenzter Skalierbarkeit und des engen Fokus auf Ising-basierte Formulierungen. Dennoch weisen die vorgeschlagenen Methoden – maßgeschneiderte QUBO-Formulierungen, skalierbare VQA-Parallelisierung und verbesserte Annealer- Einbettungen – neue Wege auf, um diese Barrieren zu überwinden. Der Fortschritt in der Quantenoptimierung wird sowohl von Hardwareverbesserungen als auch von neuen algorithmischen Rahmenwerken abhängen, einschließlich alternativer Modelle, maßgeschneiderter Heuristiken und verteilter Quantenansätze. Diese Ergebnisse tragen zur Grundlage für die Entwicklung von Quantenoptimierungsmethoden bei, die langfristig einen praktischen Vorteil erreichen könnten.
Quantenoptimierung hat sich als vielversprechende Anwendung der Quanteninformatik herausgestellt, stößt jedoch in Bezug auf Modellierung, Skalierbarkeit und Implementierung auf erhebliche Einschränkungen. Diese Arbeit behandelt diese Herausforderungen, indem neue Ansätze vorgestellt werden, die die praktische Anwendbarkeit der Quantenoptimierung verbessern. Im Bereich der Modellierung analysieren wir die Formulierung des quadratischen unbeschränkten binären Optimierungsproblems (QUBO). Obwohl weit verbreitet, erfordert QUBO die Umsetzung von Nebenbedingungen durch Strafterme, die einen zusätzlichen Variablenaufwand verursachen und sich insbesondere für Ungleichungen nur schwer verallgemeinern lassen. Wir schlagen maßgeschneiderte Strafterme für spezifische Probleme vor, wie das Ride-Pooling-Problem, und führen das neue Konzept der Anreizterme“ als Alternative zu Straftermen ein. Diese Strategien reduzieren die ” Anzahl der Wechselwirkungen und Variablen, wodurch die Formulierung effizienter wird, ohne die Durchsetzbarkeit der Nebenbedingungen zu verlieren. Zur Bewältigung der Skalierungsprobleme von Quantenalgorithmen entwickeln wir ein Parallelisierungsframework für Variations-Quantenalgorithmen (VQAs). Die Methode zerlegt Schaltkreise in kleinere Teilschaltkreise, die parallel optimiert werden, dabei jedoch weiterhin durch die Zielfunktion des Problems gesteuert bleiben. Im Gegensatz zur klassischen Zerlegung bewahrt dieser Ansatz die Probleminformation und ermöglicht die Optimierung größerer Probleme auf Quantenhardware. Wir haben dies experimentell getestet und gezeigt, dass das Framework einen praktikablen Weg zur skalierbaren Quantenoptimierung bietet. Auf Hardwareebene untersuchen wir das Problem des Minor Embedding in supralei- tenden Quanten-Annealing-Systemen. Das Einbetten verändert die Geometrie und Physik des Problems und führt zu Redundanz durch Qubit-Ketten, die die Berechnung fehleranfälliger machen. Zur Abmilderung dieser Probleme schlagen wir eine neue Einbettungsmethode vor, die von der Lechner–Hauke–Zoller (LHZ)-Architektur inspiriert ist und höherwertige Wechselwirkungen in eine modulare Struktur mit 2- Körper-Kopplungen übersetzt. Die resultierende Einbettung gewährleistet konstante Kettenlängen, kurze Wechselwirkungen und Skalierbarkeit, während sie weitgehend die spektralen Eigenschaften des ursprünglichen Hamiltonians erhält. Obwohl der Qubit-Overhead weiterhin quadratisch bleibt, stellt der Ansatz einen konkreten Schritt in Richtung praktikabler Annealing-Implementierungen dar. Zusammen zeigen diese Beiträge, dass die Quantenoptimierung derzeit noch nicht mit modernen klassischen Algorithmen konkurrieren kann – vor allem aufgrund von Hardwareeinschränkungen, begrenzter Skalierbarkeit und des engen Fokus auf Ising-basierte Formulierungen. Dennoch weisen die vorgeschlagenen Methoden – maßgeschneiderte QUBO-Formulierungen, skalierbare VQA-Parallelisierung und verbesserte Annealer- Einbettungen – neue Wege auf, um diese Barrieren zu überwinden. Der Fortschritt in der Quantenoptimierung wird sowohl von Hardwareverbesserungen als auch von neuen algorithmischen Rahmenwerken abhängen, einschließlich alternativer Modelle, maßgeschneiderter Heuristiken und verteilter Quantenansätze. Diese Ergebnisse tragen zur Grundlage für die Entwicklung von Quantenoptimierungsmethoden bei, die langfristig einen praktischen Vorteil erreichen könnten.
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.
Die Quantenphysik hat unser heutiges Verstandnis der Informationsverarbeitung revolutioniert. Unter Ausnutzung von Quanteneffekten ermoglichen Quantencomputer deutlich schnellere, fur klassische Computern unerreichbare Rechengeschwindigkeiten. Diese Arbeit prasentiert eine Reihe von Experimenten auf dem Gebiet photonischer Quantencomputer, die einerseits technische Fortschritte in der Entwicklung eines skalierbaren Quantencomputers zeigen und andererseits neue, fundamentale Konzepte im Bereich der Quanteninformationsverarbeitung demonstrieren. Alle vorgestellten Experimente beruhen auf der Verwendung von Techniken der linearen Optik und der Anwendung dieser auf durch spontane parametrische Fluoreszenz erzeugte Multi-Photonen Zustande.
Das erste in dieser Arbeit prasentierte Experiment realisiert die angekundigte Erzeugung polarisationsverschrankter Photonenpaare. Bisher war die praktische Einsetzbarkeit von optischen Quantencomputerexperimenten aufgrund der probabilistischen Erzeugungsweise verschrankter Photonenpaare stark limitiert. Das hier vorgestellte Experiment ermoglicht den Nachweis eines verschrankten Zustandes ohne diesen zu messen und uberwindet damit diese begrenzte Anwendbarkeit photonischer Systeme in der Quanteninformationsverarbeitung. Diese angekundigte Erzeugung von verschrankten Zustanden ist daher ein erster Schritt zu auf linearer Optik basierenden Quantennetzwerken und zu skalierbaren photonischen Quantencomputern.
In einem zweiten Experiment wurde das neue Konzept eines blinden Quantencomputers implementiert. Neben den auf Quanteneffekten beruhenden schnelleren Rechnungen, ermoglichen Quantencomputer einen weiteren wesentlichen Vorteil gegenuber klassischen Computern: Sie ermoglichen absolut sichere Rechnungen. Dabei ist es moglich, dass ein Quantencomputer Rechnungen durchfuhrt, aber selbst nicht herausfinden kann, welche es sind. Mit diesem Konzept kann ein nahezu klassischer Nutzer eine Rechnung an einen Quantenserver auslagern, ohne dass dieser die Eingabe, die Ausgabe und die Rechnung kennt. Im Zuge dieser Arbeit wurde die erste experimentelle Umsetzung eines blinden Quantencomputers basierend polarisationsverschrankten Photonen realisiert und blinde Quantenrechnungen, darunter zahlreiche 1- und 2-Qubit Gatter sowie Quantenalgorithmen, demonstriert. Diese Demonstration eines blinden Quantencomputers zeigt, dass unter Ausnutzung von Quanteneffekten absolut sicheres Cloud Computing moglich ist. Aufgrund der naheliegenden Annahme, dass Quantencomputer aufgrund ihrer technischen Komplexitat zunachst nur in wenigen spezialisierten Rechenzentren zur Verfugung stehen konnten und Nutzer von auserhalb mit diesen interagieren, ist dieses Experiment daher ein wichtiger Beitrag fur praktische Anwendungen.
In einem weiteren Experiment wurde dieses Konzept des blinden Quantencomputers auf Fragestellungen im Gebiet der Komplexitatstheorie und der Verifikation angewendet. Dazu wurde eine neue Theorie entwickelt und experimentell demonstriert, mit derer ein nahezu klassischer Nutzer testen kann, ob ein Computer Quantenressourcen hat. Mittels eines blinden Bell Tests kann der Nutzer dabei verifizieren, ob der Quantencomputer Verschrankungsoperationen durchfuhren kann. Diese elementare Methode ist ein erster Schritt zur Verifikation von Quantencomputern und zur Beantwortung der Frage, ob ein klassischer Nutzer Quantenrechnungen uberprufen kann, ohne diese selbst durchfuhren zu konnen.
Wir befinden uns an der Schwelle einer Revolution zu einer Quantentechnologie, die nicht nur auf der passiven Nutzung von Quanteneffekten, sondern auf ihrer aktiven Kontrolle beruht.An vorderster Front beinhaltet dies die Realisierung eines Quantencomputers.Das Kodieren von Informationen in Quantenzuständen als "Qubits" erlaubt es, Verschränkung und Quantensuperposition zu nutzen, um Rechnungen durchzuführen, die auf einem klassischen Computer unpraktikabel sind.Eine zentrale Schwierigkeit ist es dabei, Dekohärenz zu vermeiden -der Verlust von Quanteneigenschaften aufgrund ungewollter Wechselwirkung mit der Umgebung.Diese Arbeit thematisiert die Realisierung verschränkender Zwei-Qubit-Gatter, die sowohl gegenüber Dekohärenz als auch klassischen Störeinflüssen robust sind.Sie behandelt dabei drei Aspekte: die Nutzung effizienter numerischer Methoden zur Simulation und optimaler Kontrolle offener und geschlossener Quantensysteme, die Rolle fortgeschrittener Optimierungsfunktionale zur Begünstigung von Robustheit, sowie die Anwendung dieser Techniken auf zwei führende Umsetzungen von Quantencomputern, gefangene Atome und supraleitende Schaltkreise.Nach einem Überblick über die theoretischen und numerischen Grundlagen beginnt der zentrale Teil dieser Arbeit mit der Idee einer Ensembleoptimierung, um Robustheit sowohl gegenüber klassischen Fluktuationen als auch Dekohärenz zu erreichen.Für das Beispiel eines kontrollierten Phasengatters auf gefangenen Rydberg-Atomen wird gezeigt, dass Gatter erreichbar sind, die um mindestens eine Größenordnung robuster sind als der beste bekannte analytische Ansatz.Darüber hinaus bleibt diese Robustheit selbst dann erhalten, wenn die Gatterdauer signifikant gegenüber der kurzmöglichsten Dauer des analytischen Gatters verkürzt wird.Supraleitenden Schaltkreise sind eine besonders vielversprechende Architektur zur Implementierung eines Quantencomputers.Ihre Flexibilität wird durch Optimierungen sowohl für diagonale als auch nicht-diagonale Gatter gezeigt.Um Robustheit gegenüber Dekohärenz zu gewährleisten, ist es essentiell, das Gatter in so kurzer Zeit wie möglich zu realisieren.Das Erreichen dieses Ziels wird durch die Optimierung hin zu einem beliebigen v perfekten Verschränker erleichtert, basierend auf einer geometrischen Theorie der Zwei-Qubit-Gatter.Für das Beispiel supraleitender Qubits wird gezeigt, dass dieser Ansatz zu kürzeren Gatterzeiten, höheren Fidelitäten, sowie schnellerer Konvergenz führt, im Vergleich zur Optimierung hin zu vorausbestimmten, festen Zwei-Qubit-Gattern.Eine Optimierung im Liouville-Raum zur sauberen Berücksichtigung von Dekohärenzeffekten ist mit erheblichen numerischen Herausforderungen verbunden, da die Dimension im Vergleich zum Hilbert-Raum quadratisch wächst.Es kann allerdings gezeigt werden, dass es für ein unitäres Optimierungsziel ausreichend ist, höchstens drei Zustände anstelle der vollen Basis des Liouville-Raums zu propagieren.Sowohl für das Beispiel gefangener Rydberg-Atome also auch für supraleitende Qubits wird die erfolgreiche Optimierung von Quantengattern gezeigt, mit einem numerischen Aufwand, der weit unterhalb der bisher angenommenen Untergrenze liegt.Insgesamt zeigen die Ergebnisse dieser Arbeit zu einem umfassenden Gerüsts zur Optimierung robuster Quantengatter, und bereiten den Weg für die mögliche Realisierung eines Quantencomputers.vi
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.
Klassische Ansätze des Hochleistungsrechnens für klassische Optimierungsprobleme stoßen mit zunehmender Problemgröße auf Skalierbarkeitsprobleme. Der Quantum Approximate Optimization Algorithm (QAOA) bietet einen vielversprechenden Ansatz zur Überwindung der Einschränkungen klassischer Algorithmen. Allerdings schränkt die Anzahl fehlertoleranter Qubits seine Anwendbarkeit auf aktueller Quantenhardware stark ein. Um dies zu mildern, untersuchen wir die Verwendung von QRAC, das mehrere Bits in einem einzigen Qubit codieren kann. Diese Arbeit untersucht das Potenzial von QRAC-basierten Kodierungsschemata für kombinatorische Optimierungsprobleme. Die zentrale Forschungsfrage lautet: Wie wirkt sich die QRAC-basierte Kodierung auf die Leistung von QAOA bei der Lösung kombinatorischer Optimierungsprobleme aus?Wir haben ein neuartiges QAOA-Framework entwickelt, das die Verwendung von QRAC-kodierten Hamilton-Operatoren ermöglicht, sowie das entsprechende Dekodierungs-Framework, das die Quantenresultate zurück in einen klassischen Lösungsraum abbildet. Wir haben systematische Experimente durchgeführt, bei denen wir unseren Workflow auf mehrere TSP- und BPP-Instanzen angewendet haben, die weit verbreitete, repräsentative kombinatorische Optimierungsprobleme sind. Diese Instanzen variieren in Größe, Gewicht, Lösungen und Einschränkungen. Wir haben verschiedene Einstellungen unseres Workflows verglichen und unsere Ergebnisse zu Laufzeit, Lösungsgenauigkeit, Skalierbarkeit und Qubit-Kompressionsrate dokumentiert.Unsere Ergebnisse zeigen ein aufschlussreiches, aber gemischtes Bild. Bei kleineren Problemfällen mit strengeren Beschränkungsstrukturen (d. h. weniger Städten für ein TSP und weniger Behältern für ein BPP) lieferte QRAC+QAOA in 60 bis 80 % der Durchläufe interpretierbare Lösungen. Der Ansatz lässt sich jedoch nicht zuverlässig auf komplexere Fälle skalieren, z. B. das 5-Städte-TSP und das uneingeschränkte BPP, bei denen es nur wenige realisierbare Lösungen gibt. Der Hauptvorteil der QRAC-Kodierung besteht in ihrer Fähigkeit, Probleme zu simulieren, die aufgrund von Qubit-Beschränkungen auf unserer Hardware sonst nicht möglich wären. Entscheidend ist, dass wir festgestellt haben, dass die Effizienz der QRAC-Komprimierung stark vom jeweiligen Problem abhängt, wobei spärliche Interaktionsgraphen eine bessere Zuordnung ermöglichen als dichte. Diese Arbeit liefert eine der ersten empirischen Untersuchungen zum Verhalten von QRAC+QAOA bei der Lösung kombinatorischer Probleme und quantifiziert die Kompromisse zwischen Komprimierungsrate und Lösungsqualität. Wir kommen zu dem Schluss, dass QRAC zwar eine vielversprechende Richtung für die Erweiterung der Reichweite der Quantenoptimierung in der NISQ-Ära ist, in seiner derzeitigen Form jedoch am besten für mittelgroße Probleme mit inhärenten strukturellen Einschränkungen geeignet ist. Diese Arbeit legt den Grundstein für zukünftige Forschung zu robusteren Kodierungsstrategien und hybriden quantenklassischen Algorithmen.
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.