© KI-generiert
Quantengenerative Modelle für industrielle Simulationssysteme
Die Entwicklung von Quantencomputern schreitet rasant voran, der Einsatz in der Industrie steht jedoch noch am Anfang. Die zugrundeliegende Technologie birgt enormes Potenzial, industrielle Prozesse grundlegend zu verbessern. Mit der zunehmenden Leistungsfähigkeit lässt sie sich verstärkt in KI-Systemen einsetzen und erhöht Präzision sowie Effizienz industrieller Simulationen deutlich.
Q-GeneSys überführt Erkenntnisse aus Quantum-Supremacy-Experimenten in praktisch nutzbare Lösungen für Industrieanwendungen. Der Ansatz nutzt spezifische Klassen von Quantenschaltkreisen, insbesondere IQP-Schaltkreise, deren Parameter klassisch trainierbar sind, während das effiziente Sampeln hochdimensionaler Wahrscheinlichkeitsverteilungen auf Quantenhardware erfolgt. So werden komplexe Aufgaben wie die Generierung von 3D-Designs, neuer Molekülstrukturen sowie Produkt- und Systemkonfigurationen adressiert, in denen klassische Verfahren an Grenzen stoßen. Damit Quantenvorteile verlässlich und frühzeitig nutzbar werden, integriert Q-GeneSys von Beginn an Fehlertoleranz – abgestimmt auf die Schaltkreisklassen, die Trainingsmethodik und die Eigenschaften aktueller und zukünftiger Hardware.
Im Verbund arbeiten die Siemens AG, die IQM Germany GmbH, die OTH Regensburg und das Fraunhofer IIS iterativ zusammen: Industrielle Datensätze und Benchmarks definieren die Einsatzfelder, IQP-basierte Modellfamilien werden weiterentwickelt und hardwarebewusst umgesetzt, und Methoden für Training, Sampeln und Fehlertoleranz sichern die praktische Nutzbarkeit. Ziel ist es, quantengenerative Modelle so zu gestalten, dass sie skalierbar, robust gegenüber Rauschen und ressourceneffizient sind – mit klaren Aussagen zu erforderlichen Hardwareeigenschaften, Overheads und den Bedingungen, unter denen sich ein Quantenvorteil realisiert.
Ausgangspunkt sind reale industrielle Datensätze aus den Bereichen Molekül-, Konfigurations- und 3D-Design-Generierung. Kontinuierliche und symbolische Daten werden in binäre Repräsentationen überführt, beispielsweise mittels Grammar Variational Autoencoder, sodass sich ihre Zielverteilungen präzise mit den Modellverteilungen von IQP-Schaltkreisen vergleichen und klassisch optimieren lassen. Die Anpassung der Schaltkreisparameter erfolgt über wohldefinierte Zielfunktionen (etwa KL-Divergenz) mit effizient berechenbaren Erwartungswerten; anschließend erzeugt Quantenhardware Stichproben aus der gelernten Verteilung – bei Notwendigkeit konditioniert, um gewünschte Eigenschaften gezielt sicherzustellen.
Damit Trainierbarkeit und Sampling-Komplexität erhalten bleiben, entwickelt Q-GeneSys die Schaltkreisfamilien weiter: dynamische Varianten mit Zwischenmessungen umgehen „Barren Plateaus“, ohne den Komplexitätsvorteil zu verlieren. Parallel werden frühe Fehlertoleranzstrategien integriert: Wo möglich begrenzen klassische Verfahren die Fehlerpropagation, maßgeschneiderte Quantenfehlerkorrektur schützt kritische Operationen mit geringem Overhead, partielle Fehlerkorrektur priorisiert die sensibelsten Schaltkreisteile, und geeignete Fehlerreduktion senkt Restfehler weiter ab. Realistische Restfehlermodelle schließen die Lücke zwischen idealen Annahmen und realer Hardware, sodass Training, Dekodierung und Sampling robust aufeinander abgestimmt sind. Dieser Co-Design-Prozess aus Daten, Modellen, Fehlertoleranz und Evaluation führt zu kontinuierlich verfeinerten, praxisnahen Lösungen – mit klaren Ressourcen- und Skalierungsanalysen als Entscheidungsgrundlage.
Das Fraunhofer IIS (Forschungsgruppe Quantum Compilation) leitet die Entwicklung der frühzeitigen Fehlertoleranz und stellt sicher, dass quantengenerative Modelle auf aktueller und künftiger Hardware zuverlässig laufen – mit minimalem Mehraufwand. Wir analysieren Potenziale und Grenzen klassischer Fehlerkorrektur, entwerfen schlanke, IQP-spezifische Quantenfehlerkorrektur samt logischen Primitiven und KI-gestützter Dekodierung, und realisieren partielle Fehlerkorrektur, die die kritischsten Schaltkreisbereiche gezielt schützt. Ergänzend kombinieren wir Fehlerkorrektur mit Fehlerreduktion, modellieren verbleibende Restfehler für realistische Schwellen- und Ressourcenanalysen und gewährleisten die Kompatibilität dynamischer Schaltkreise mit Stabilizer-Messungen. Mit ausgewiesener Expertise in Quantenalgorithmik, KI-gestützter Kompilation und Circuit-Knitting schaffen wir die Grundlage, Quantenvorteile in 3D-Design, Material- und Molekülentwicklung sowie Produkt- und Systemkonfiguration praxisnah und skalierbar zu realisieren.
Fraunhofer-Institut für Integrierte Schaltungen IIS