QML steht für Quantum Machine Learning und bezieht sich darauf, dass Aufgaben des maschinellen Lernens auf einer innovativen Hardware ausgeführt werden – einem Quantencomputer. Doch was bedeutet das im Detail? Welchen Nutzen kann dies für dein Unternehmen haben und wie kannst du den ersten Schritt in diese spannende Welt wagen?
Einordnung von Quantencomputing (QC), Maschinellem Lernen (ML) und Quantum Machine Learning (QML)
Die Anwendungsmöglichkeiten des Maschinellen Lernens sind vielfältig und umfassen das Identifizieren von Strukturen, das Erkennen von Sachverhalten und die Prognose von Werten. Dies basiert im Kern auf Statistik und Linearer Algebra.
Interessanterweise teilt auch das Quantencomputing diese mathematischen Grundlagen. Die Idee hinter dem Quantencomputing, der Verarbeitung von Quanteninformationen, besteht bereits seit Jahrzehnten. Jetzt sehen wir endlich die ersten praktisch nutzbaren Quantencomputer.
Quantum Machine Learning (QML) ist im Grunde die Ausführung von Maschinellem Lernen auf einem Quantencomputer.
Die Suche nach dem Quantenvorteil
Ähnlich wie bei vielen anderen Herausforderungen ist es entscheidend, das richtige Problem mit dem passenden Werkzeug anzugehen. Ein aktueller Schwerpunkt der Forschung liegt darin, herauszufinden, welche Art von Problemen für klassische Computer schwierig zu lösen ist, aber für Quantencomputer leichter bewältigt werden kann.
Hier sprechen wir über Komplexitätsklassen, also darüber, wie sich der Aufwand zur Lösung erhöht, wenn das Problem an Größe zunimmt. Es wird als problematisch angesehen, wenn sich für jede geringfügige Vergrößerung der Aufgabe der Lösungsaufwand verdoppelt.
Es geht auch um das Verhältnis von Eingabe, Suchraum und Ausgabe. Derzeitige Überlegungen deuten darauf hin, dass Probleme mit kleiner Eingabe (zum Beispiel eine Menge von Objekten), ein großer Suchraum (alle möglichen Kombinationen) und eine kleine Ausgabe (eine Teilmenge der Objekte) gut für Quantencomputing geeignet sind.
Schließlich zeigt die Literatur, dass insbesondere bei Quantendaten ein Vorteil erzielt werden kann, beispielsweise beim maschinellen Lernen mit Daten, die auf (quanten)physikalischen Experimenten basieren. Dies kann die Materialforschung oder die Vorhersage von Strahlungen betreffen.
Beispiele für praktische Anwendungen
Das Potential von Quantencomputing wird in nahezu jeder Branche sorgfältig untersucht, um herauszufinden, wie diese aufstrebende Technologie von Nutzen sein kann. Die folgenden zwei Beispiele sollen dabei die Vielseitigkeit verdeutlichen.
In der Luft- und Raumfahrtindustrie steht die Entwicklung von Materialien im Fokus, die extrem leicht und gleichzeitig außerordentlich widerstandsfähig sind. Hierfür sind Simulationen auf atomarer Ebene erforderlich, eine Aufgabe, die ideal zu Quantencomputing passt. Mit Hilfe von Quantencomputern können Forscher quantenphysikalische Phänomene simulieren, die bislang schwer zu erforschen waren. Dies führt zur Entwicklung von Materialien, die nicht nur das Gewicht von Flugzeugen und Raumfahrzeugen reduzieren, sondern auch die Effizienz und Sicherheit in der Branche erhöhen.
Der Energiesektor hingegen fokussiert sich auf die intelligente Nutzung erneuerbarer Energien, wie etwa Wind- und Solarenergie. Ziel ist es das Energienetz zu optimieren, ein riesiges und hochkomplexes System mit Bedingungen, die aus der Physik abgeleitet sind. Dank Quantencomputing können präzise Vorhersagen zur Energieerzeugung und -nachfrage gemacht werden, während Machine Learning große Datensätze analysiert, um den Energiebedarf vorherzusagen. Die Kombination von QC und ML ermöglicht eine effizientere Steuerung des Energieflusses im Netzwerk, was zu einer zuverlässigeren und nachhaltigeren Nutzung erneuerbarer Energien führt.
Erste Schritte wagen
Die Anwendung von QML im Unternehmenskontext ist zweifelsohne eine komplexe Aufgabe. Sowohl die Grundprinzipien der Quantenphysik und des Maschinellen Lernens als auch die spezifische Anwendungsdomäne sind anspruchsvoll.
Aber irgendwo muss begonnen werden, idealerweise mit einfachen Beispielen und vorgefertigten Algorithmen, um ein Gespür dafür zu bekommen, wie QML funktioniert und wie es in die eigene Unternehmensstruktur integriert werden könnte.
Hierfür stehen verschiedene Plattformen zur Verfügung, wie zum Beispiel PlanQK. Auf solchen Plattformen können vorgefertigte Algorithmen untersucht, Erklärungen nachvollzogen und mit ihnen experimentiert werden.
Fazit
Es ist eine spannende Zeit! Wir beginnen die theoretischen Vorteile, die Quantencomputing bieten kann, zu verstehen und nun ist es an der Zeit, die realen Anwendungsmöglichkeiten zu erkunden. Dies erfordert Arbeit an unterschiedlichsten Fronten, von der Hardwareentwicklung über die Software und Algorithmen bis hin zur Integration in bestehende Unternehmenssysteme. Während die Chancen zweifellos vorhanden sind, dürfen wir den Weg vor uns nicht unterschätzen. Dennoch: Wir sollten uns bereits heute mit dieser Technologie auseinanderzusetzen, da wir bestens vorbereitet sein sollten, wenn die Vorteile von Quantencomputing in ihrer vollen Tragweite eintreten.
Über den Autor
Sebastian Feld ist Assistenzprofessor an der TU Delft in den Niederlanden. Er ist Teil des Fachbereichs für Quanten- und Computertechnik, wo er und seine Gruppe an QML (Quantum Machine Learning) arbeiten. Das übergeordnete Ziel besteht darin zu untersuchen, wie Quantentechnologie dazu beitragen kann, kurzfristige Quantenanwendungen zu schaffen, aber auch, wie maschinelles Lernen bei der Entwicklung skalierbarer Quantengeräte unterstützen kann. Zuvor war er Leiter des Quantum Applications and Research Laboratory (QAR-Lab) an der LMU München. Sein Hauptaugenmerk als Postdoktorand lag auf Optimierungsproblemen und der Anwendung von quantenunterstützter künstlicher Intelligenz. Er promovierte an der LMU München mit dem Schwerpunkt auf Zeitreihenanalyse. Feld ist Mitglied im wissenschaftlichen Beirat von Anaqor.