Vision


 

Wir entwickeln eine Plattform und ein Ökosystem für Quantenunterstützte Künstliche Intelligenz, kurz PlanQK. Nutzer sollen dabei auf einen Quanten-AppStore zugreifen können, Entwickler auf einfache Weise Quantum-Plattformen nutzen und Spezialisten Konzepte bereitstellen, die Quantum Computing einfach zugänglich machen.

Brauchen Anwendungen der künstlichen Intelligenz auch noch Quantum Computing?

Anwendungen der KI verbrauchen mehr und mehr Rechenzeit. Aktuell wird schon spezielle Hardware (Grafikkarten, neuromorphe Chips) eingesetzt, um den Bedarf an Rechenkapazität abzudecken. Auf die Dauer wird aber ein echter „Quantensprung“ in Bezug auf die Rechenleistung nötig, wenn man die Möglichkeiten noch erweitern will.

Warum sollte man für die neue Technik Quantum Computing gleich mit künstlicher Intelligenz beginnen?

Kurzfristig rechnet man mit sog. Noisy Intermediate-Scale Quantum Computers (NISQs), die noch nicht die Zuverlässigkeit von klassischen Computern erreichen können. Doch gerade KI lebt von der zufälligen Variation in den Berechnungen, die auf klassischen Rechnern aufwändig erzeugt wird, für NISQ-Systeme aber ganz natürlich und unvermeidbar ist.

 

Das Problem: Zur Entwicklung von KI-Anwendungen, die von Quantencomputern profitieren können, braucht man neben der Domänen- und KI-Expertise noch Wissen über die speziellen Quantum-Hardware-Plattformen und wie man alles verbindet. Diese Kombination aus Fähigkeiten ist für Unternehmen schwer aufzubauen!

Die Lösung: Eine Community aus unterschiedlichen Experten, die durch technisch sinnvolle Schnittstellen zusammenarbeiten können, kurz PlanQK.

  • Nutzer können auf einen Quanten-AppStore zugreifen und sich die Lösungen für ihr Unternehmen zusammenstellen oder in Auftrag geben.
  • Entwickler können auf einfache Weise Quantum-Plattformen nutzen und so ihre KI-Algorithmen erweitern und verbessern.
  • Spezialisten stellen Konzepte bereit, die Quantum Computing auch ohne spezielle Expertise einfach zugänglich

 

Use Cases


Bild: Modellierung von Energienetzen – Versorgungsqualität durch Speicheranordnung

Modellierung von Energienetzen – Versorgungsqualität durch Speicheranordnung

Der zunehmende Anteil erneuerbarer Energien am Produktionsmix erhöht die Volatilität in den Netzen, was die Versorgungsqualität und die Endbenutzergeräte gefährdet, Ausfälle erhöht und die Kosten der Versorgungsunternehmen in die Höhe treibt. Die Entscheidung über die beste Platzierung von Speichereinheiten im Netz ist rechnerisch schwer zu treffen. 

Bild: Scheduling und Dienstplanoptimierung

Scheduling und Dienstplanoptimierung

Es ist rechnerisch schwierig, persönlichen Präferenzen von Mitarbeiterinnen und Mitarbeitern gerecht zu werden und gleichzeitig die Zeit-, Qualifikations- und arbeitsrechtlichen Anforderungen des Arbeitgebers usw. zu erfüllen. Faire und robuste Schichtpläne – insbesondere für größere Gruppen von Mitarbeitern – sind dadurch sehr schwer zu erstellen. 

Bild: Erkennung von Anomalien und Betrug in Finanztransaktionen

Erkennung von Anomalien und Betrug in Finanztransaktionen

Betrügerische Finanztransaktionen bergen das Risiko hoher Verluste. Finanzinstitutionen benötigen eine automatische Erkennung abnormaler Transaktionen mit hoher Präzision und niedrigen Fehlerraten, um teure Interventionen zu reduzieren. Die zuverlässige und schnelle Durchführung dieser Aufgabe bei nicht gekennzeichneten Daten ist eine Herausforderung.

Bild: Modellierung von Energienetzen – Kostenoptimale Planung

Modellierung von Energienetzen – Kostenoptimale Planung

Die zunehmende dezentralisierte Energieerzeugung und -nachfrage erfordert einen feinkörnigen Netzbetrieb und eine nahezu kostenoptimale Planung. Die Netzplanung einschließlich dieser Einheitsverpflichtung ist rechnerisch schwierig.

Bild: Sicherheitsbausteine für digitale Ökosysteme

Sicherheitsbausteine für digitale Ökosysteme

In unserer digitalen Zukunft dreht sich alles um die Identität.  Menschen tauschen Informationen jederzeit und überall aus. In dem entstehenden Ökosystem persönlicher Daten werden sowohl Sicherheit als auch Identitätsschutz zu einem zentralen Punkt. Quantencomputer sind dafür bekannt, dass sie die etablierten Sicherheitstechnologien herausfordern. 

Bild: Wasseranomalieerkennung in öffentlichen Gebäuden

Wasseranomalieerkennung in öffentlichen Gebäuden

Vandalismus und Defekte an Wasserleitungen verursachen immense Kosten durch Wasserschäden. Langsam ansteigende Schäden werden oft sehr spät erkannt (nicht nur in Zeiten geringer Auslastung), was zu hohen Reparaturkosten und langen Ausfallzeiten führt. 

Bild: Kommunale Register KI

Kommunale Register KI

Das Bundesgesetz verpflichtet die Verwaltung, ihre Dienstleistungen bis 2022 den Bürgerinnen und Bürgern online anzubieten. Bürgerinnen und Bürger sollen nicht verpflichtet werden, Daten einzugeben, die einer Behörde bereits bekannt sind. Dazu müssen die Daten zwischen den Registern ausgetauscht werden, auch wenn es oft noch keine eindeutigen Merkmale gibt. 

Bild: Dynamic Vehicle Routing Problem

Dynamic Vehicle Routing Problem

Das Dynamic Vehicle Routing Problem leitet eine Flotte von Fahrzeugen mit bestimmten Eigenschaften wie Kapazitäten in (komplexen) Diagrammen wie in Lagerhäusern oder in Städten. Die Aufgabe der Flotte ist der Transport von dynamisch aufkommendem Verkehr. 

Bild: Routenplanung

Routenplanung

Finden einer optimalen Route durch einen Graphen, der jede Kante besucht. Unternehmen mit großen Infrastrukturen (wie zum Beispiel Schienennetze) benötigen einen Inspektionsplan, der diese Infrastrukturen durch autonome Drohnen oder andere Fahrzeuge überwachen lässt.

Bild: Vorhersage von Material- und Prozesseigenschaften

Vorhersage von Material- und Prozesseigenschaften

Die Kosten, die mit dem Design und der Entdeckung von Materialien und Chemikalien mit maßgeschneiderten Eigenschaften und der Synthese von Materialkandidaten verbunden sind, können durch Simulationen gesenkt werden. Die Simulation der Eigenschaften von Materialien und Molekülen ist jedoch numerisch höchst anspruchsvoll und auf klassischen Computern schwierig hinreichend lösbar. 

Bild: IP Traffic Engineering

IP Traffic Engineering

Optische Transportschicht-Optimierung, IP-Verkehrstechnik und Planung von Quantenkommunikationsnetzen sind Disziplinen zur Optimierung der wichtigsten Vermögenswerte eines Telekommunikationsanbieters. Die Wahl eines optimalen Bereitstellungs-Footprints trägt dazu bei, Kosten zu sparen und gleichzeitig das beste Kundenerlebnis zu bieten. 

Bild: Data Driven CRM

Data Driven CRM

Besseres Kundenverständnis anhand von digitalen Fußabdrücken in Telekommunikationsnetzen.

Bild: Industrielle Produktionslinien

Industrielle Produktionslinien

In fast jeder Fertigungs- oder Produktionsumgebung treten Probleme bei der Belegung von Fertigungsstationen auf. Sie selbst sind schwer zu lösen. Häufig geht dies mit anderen Optimierungsproblemen einher, die die Planung stören, wie z.B. die Schachtelung von Teilen im Beispiel einer Blechfertigung.

Bild: Anomalieerkennung in der Netzwerkkommunikation

Anomalieerkennung in der Netzwerkkommunikation

Komplexe Angriffe auf die IT-Infrastruktur gefährden die Netzwerksicherheit. Zur Erkennung dieser ausgeklügelten Bedrohungsanomalien muss der Netzwerkfluss nahezu in Echtzeit analysiert werden. Maschinelle Lernverfahren werden eingesetzt, um die Sichtbarkeit möglicher Sicherheitsrisiken zu erhöhen. 

Bild: Kapazitäts-und-Umlaufoptimierung

Kapazitäts- und Umlaufoptimierung

Ausgehend von einer vorgegebenen Gleiszuweisung müssen Transportunternehmen ihre vorhandenen Fahrzeuge so disponieren, dass die Kapazitätsauslastung optimiert und ein störungsfreier Betrieb gewährleistet ist. Insbesondere wenn Abweichungen von der ursprünglichen Planung auftreten, ist eine schnelle Reaktion erforderlich. 

 

Projektbeschreibung


Problemstellung

Eine effiziente und zielgerichtete Nutzung Künstlicher Intelligenz (KI) in realen Anwendungsszenarien setzt detaillierte Kenntnisse und vor allem Erfahrung im Umgang und der Nutzung entsprechender Technologien und Konzepte voraus. Gerade für KMU sind die Einstiegshürden daher groß, um sich durch KI mit neuartigen Geschäftsmodellen und Produkten am Markt zu positionieren.

Dies gilt im gleichen Maße für neue innovative Ansätze zur Kombination von KI und Quantencomputing (QC). Zwar gibt es eine große Anzahl an Algorithmen für Quantencomputer, etwa auf Webseiten, in Lehrbüchern und wissenschaftlichen Publikationen - welcher Algorithmus jedoch in welcher Situation verwendet werden kann und wie KI-Methoden und Algorithmen auf einem herstellerspezifischen Quantencomputer ausgeführt werden können, verlangt ein umfassendes Verständnis der Theorie und Technologie. Selbst wenn passende Algorithmen gefunden werden, benötigt deren Umsetzung in ausführbare Programme, die einen Mehrwert liefern, tiefe Kenntnisse der Entwicklungsumgebung der jeweiligen Quantencomputer, als auch über die für MachineLearning essentiellen Daten für das Training von Modellen.

Aufgrund der Komplexität und Neuartigkeit dieser technologischen Trends fehlt ein einfacher Zugang zum Knowhow, Daten, Algorithmen und Experten aus diesen Feldern und insbesondere der Wissensaustausch über offene Ökosysteme und Plattformen.

Deshalb ist die Bildung einer breiten Community auf Basis einer gemeinsamen Plattform für den Wissens- und Technologieaustausch für Quantencomputing-gestütztes Maschinelles Lernen (ML) eine Chance, die Wirtschaft und insbesondere viele KMU zu befähigen, beide Technologiefelder zum Einsatz zu bringen und einen Zugang zu diesen zukünftigen Schlüsseltechnologien zu gewährleisten.

Lösungsansatz

Genau hier setzt das Konzept von PlanQK an. Ziel ist die Entwicklung einer offenen Plattform für quantenunterstützte Künstliche Intelligenz ‒ kurz QKI ‒ zur Schaffung und Förderung eines entsprechenden Ökosystems aus Künstlicher Intelligenz (KI)- & Quantencomputing (QC)-Spezialisten, Entwicklern konkreter QKI-Anwendungen sowie Nutzern, Kunden, Dienstleistern und Beratern. Die PlanQK-Plattform liefert damit die technische Basis für den Aufbau einer Community für quantenunterstützte Künstliche Intelligenz (QKI). Die zentralen Artefakte sind dabei entsprechende QKI-Algorithmen, Applikationen sowie Datenpools, die aus verschiedenen Quellen stammen können.

PlanQK-Vision und Konzeptidee

Die QKI-Plattform ermöglicht die Aufnahme von Algorithmen aus Quellen wie beispielsweise dem Web, veröffentlichten Artikeln oder Büchern. Neben ML- und QC-Algorithmen spielen auch Daten eine zentrale Rolle und sollen über die Plattform verbreitet und vertrieben werden können. Entsprechende Datenpools können beispielsweise aus öffentlich zugänglichen Quellen oder auch von Nutzern und Kunden der PlanQK-Plattform stammen. Diese Algorithmen und Datenpools werden in einer speziellen Datenbank, dem QKI-Algorithmus & Data Content Store abgelegt.

Eine öffentliche Community (analog zu einer Open-Source-Community) oder Spezialisten des PlanQK-Plattform-Betreibers können auf diese Datenbank zugreifen und die Algorithmen sowie die Datenpools analysieren, bereinigen und vereinheitlicht darstellen. Als Ergebnis wird jeder so qualitätsgesicherte Algorithmus und eine Reihe von Datenpools im QKI-Algorithmus bzw. QKI-Daten-Repository abgelegt. Die Datenpools dienen dabei zur Qualitätssicherung und Validierung indem sie es Kunden und der Community ermöglichen verschiedene QKI-Algorithmen zu vergleichen, beispielsweise indem die Datenpools als Trainings- und Testdaten genutzt werden.

Basierend auf den qualitätsgesicherten Algorithmen können nun Entwickler diese Algorithmen für die Ausführung auf einem Quantencomputer implementieren. Diese Programme, QKI-Apps genannt, werden ebenfalls qualitätsgesichert und im QKI-App Repository abgelegt.

Kunden der PlanQK-Plattform können dort nach Algorithmen und Daten suchen und entsprechende, qualitätsgesicherte Algorithmen und Datenpools kaufen, oder kostenlos bereitgestellte direkt verwenden. Ebenso können Programme, die solche Algorithmen implementieren, d.h. QKI-Apps, gesucht, gekauft oder ggf. kostenlos verwendet werden. Wenn ein Algorithmus oder ein Datenpool für ein bestimmtes Problem bzw. eine Domäne nicht gefunden wird oder wenn ein Algorithmus nicht durch ein Programm implementiert vorliegt, kann der Kunde entsprechende Anforderungen an die Community, Dienstleister oder auch den Plattform-Betreiber stellen.

Wenn ein Kauf getätigt wird, werden seitens der Plattform der Algorithmus bzw. das Programm und ggfs. entsprechende Datenpools automatisch paketiert und an den Quantencomputer übermittelt.

„PlanQK bietet Unternehmen aller Branchen und Größen eine umfassende Plattform für Quantencomputing und KI und direkten Zugang zu einer umfassenden Community aus Experten, Beratern und Dienstleistern. So können wir gemeinsam in diesem großen Zukunftsmarkt mindestens in Europa, perspektivisch auch weltweit, eine signifikante Rolle spielen.“

Andreas Liebing, CEO, StoneOne AG

PlanQK vs Entwicklungsumgebungen für Quanten-Software

Es gibt eine ganze Reihe von Entwicklungsumgebungen (oder SDKs - Software Development Kits [1]) für Quanten-Software (siehe etwa [2], [3]): IBM bietet QisKit an, Rigetti stellt Forest zur Verfügung, D-Wave etwa Ocean, usw. Die Entwicklungsumgebungen dieser Hersteller von Quantencomputern unterstützen im Allgemeinen lediglich ihre eigene Hardware. Um sich nicht auf eine einzelne Hardware festlegen zu müssen, bieten andere Firmen ohne eigene Quanten-Hardware daher Entwicklungsumgebungen an, mit denen Programme entwickelt werden können, die auf mehreren Quantencomputern laufen: Microsoft stellt das Quantum Development Kit QDK zur Verfügung, Zapata hat Orchestra im Angebot usw. Auch gibt es quelloffene SDKs wie etwa ProjectQ. Relativ spät (seit August 2020) hat nun auch Amazon ein Quanten SDK namens Braket angeboten, welches Hardware der Hersteller Rigetti, D-Wave und IonQ unterstützt.

PlanQK verfolgt einen vollkommen anderen Weg. Zunächst ist PlanQK keine Entwicklungsumgebung für Quantensoftware, sondern ist im Gegenteil absolut SDK-neutral: Die Quantensoftware, die in PlanQK zur Verfügung gestellt wird, kann mit beliebigen solcher Quanten SDKs erstellt werden: In der untenstehenden Abbildung sind diese SDKs im rot gestrichelten Bereich unten in der Mitte dargestellt.  Diese Neutralität wird dadurch erzielt, dass in PlanQK das Konzept der Muster, also bewährte Lösungen wiederkehrender Probleme in der Domäne Quantencomputing, betont wird. Per Definitionem sind die Lösungen, die in solchen Mustern zu Verfügung gestellt werden, Implementierungs- und Herstellerneutral. Ein Muster verweist dann auf eventuell unterschiedliche Implementierungen, die mit Hilfe “irgendeines” Quanten SDKs erstellt wurde.

Auch verlangen Realisierungen von Anwendungen im Bereich des Quantencomputings im Allgemeinen die Lösung mehrerer Probleme. Ein SDK gibt hier keinerlei Hilfestellungen, in PlanQK aber sind die Muster in einer Mustersprache vernetzt und komplexe Probleme werden gelöst, indem man durch diese vernetzten Muster geleitet wird und einzelne Lösungen der Teilprobleme erhält. Ferner sind heutige Lösungen von Problemen des Quantencomputings hybride Software, bestehend aus mehreren “Modulen” klassischer Software, als auch eventuell aus mehreren “Modulen” von Quantenschaltkreisen. In PlanQK können alle diese Module in unterschiedlichsten Umgebungen mehrerer Hersteller ablaufen und werden von PlanQK dort sogar eingebracht (sog. Deployment).

Ferner fokussiert sich PlanQK auf relevante Anwendungsfälle der Industriepartner: Hierdurch wird Wissen aufgebaut, für welche (Teil-)Probleme Quantencomputer heute bzw. in wenigen Jahren realistisch nutzbar sind und vor allem, wie diese Nutzung geschieht [4]. Die Einzelschritte dieser Nutzbarmachung werden durch PlanQK direkt unterstützt. Gleichzeitig gibt es Komponenten in PlanQK, die Quantenalgorithmen bewerten, indem sie beurteilen, welche Quantencomputer eine erfolgreiche Ausführung wahrscheinlich machen.

[1]  https://de.wikipedia.org/wiki/Software_Development_Kit

[2]  Frank Leymann, Johanna Barzen, Michael Falkenthal, Daniel Vietz, Benjamin Weder, et al. 2020. Quantum in the Cloud: Application Potentials and Research Opportunities. In Proceedings of the 10th International Conference on Cloud Computing and Service Science (CLOSER 2020). SciTePress, 9–24.

[3]  LaRose, M., 2019. Overview and Comparison of Gate Level Quantum Software Platforms. arXiv:1807.02500v2.

[4]  Frank Leymann, Johanna Barzen (2020): The bitter truth about gate-based quantum algorithms in the NISQ era. In: Quantum Sci. Technol. 2020.