Fraunhofer-Institut für Integrierte Schaltungen IIS
Fraunhofer-Institut für Integrierte Schaltungen IIS
© Adobe Stock / Quardia Inc. - stock.adobe.com

© Adobe Stock / Quardia Inc. - stock.adobe.com

KI für Quantencomputing

Mit KI das Potenzial von Quantencomputing ausschöpfen

Quantencomputing hat das Potenzial, viele Bereiche der Wissenschaft und Wirtschaft zu revolutionieren, indem es mit klassischen Computern unlösbare Probleme bewältigt. Doch um dieses Potenzial zu entfalten, müssen wir in der Lage sein, Quantenalgorithmen effizient zu entwickeln und auf realer Quantenhardware umzusetzen.

Unsere Arbeit konzentriert sich auf die Weiterentwicklung modernster Quantenalgorithmen und die Schaffung innovativer Werkzeuge zur optimierten Nutzung von Quantenhardware. Ziel ist es, die Lücke zwischen theoretischem Potenzial und praktischer Anwendung zu schließen und Quantencomputing-Lösungen für reale Einsatzszenarien zu ermöglichen.

Die heutige Quantenhardware ist durch störanfällige Qubits und begrenzte Kohärenzzeiten gekennzeichnet und bringt erhebliche Herausforderungen mit sich. Um diese neue Technologie vollständig auszuschöpfen, müssen wir fortschrittliche Algorithmen und Tools entwickeln, die maximale Leistung bei minimalem Ressourcenaufwand bieten. Die Quantenhardware der Zukunft wird schließlich das gesamte Potenzial des Quantencomputings freisetzen.

Wir nutzen Methoden der Künstlichen Intelligenz, um diese Herausforderungen zu bewältigen. Dieser duale Ansatz – mit heutiger und zukünftiger Hardware – stellt sicher, dass Quantencomputing sein Versprechen einlösen kann, Branchen, Wissenschaft und Technologie zu transformieren: Quantencomputing, jetzt!

Unser Ansatz

Wie beschäftigt sich das Fraunhofer IIS – Bereich Lokalisierung und Vernetzung – mit der Technologie des Quantencomputings?

Basierend auf unserer Expertise in den Bereichen Quantencomputing und Machine Learning, insbesondere Deep Reinforcement Learning, entwickeln wir sowohl Softwarewerkzeuge als auch Algorithmen, um Quantencomputer für industrielle Anwendungen in naher Zukunft nutzbar zu machen. Dr. Daniel Scherer, Head of Quantum Compilation Group, betont, dass die interdisziplinäre Zusammenarbeit unseres Expertenteams aus Physik, Informatik und Mathematik essentielle Beiträge zum Quantencomputing-Software-Stack liefert. Unser Ziel ist es, vielversprechende Lösungsansätze zu schaffen, die das Quantencomputing, insbesondere die fehlertolerante und fehlerkorrigierte Hardware, leicht zugänglich machen und gleichzeitig die maximale Rechenleistung zur Verfügung stellen.

© Fraunhofer IIS


Unsere Forschungsschwerpunkte auf einen Blick:

  • Quantenalgorithmen – Wir forschen an Quantenalgorithmen für Probleme im Bereich der Simulation, Optimierung und des maschinellen Lernens.
  • Quantum Circuit Cutting – Wir erforschen und entwickeln Verfahren zum „Zerschneiden“ von Quantenschaltkreisen. Dies ermöglicht eine spezielle Form des verteilten Quantencomputing.
  • Quantum Circuit Compilation – Wir arbeiten an der optimierten Übersetzung von Quantenschaltkreisen in ausführbare Befehle des Quantencomputers.    
  • Quantum Error Correction – Wir erforschen Verfahren zur Erzeugung Fehlerkorrektur zur Senkung der Anforderungen an fehlerkorrigierte und fehlertolerante Quantencomputer. 

Der Quantum Computing Stack umfasst Software und Hardware, die nötig ist um Quantenalgorithmen auf einem Quantencomputer auszuführen. Im Bereich Lokalisierung und Vernetzung des Fraunhofer IIS sind Forschung und Entwicklung auf Quantencomputing Middleware fokussiert: „Quantum Circuit Cutting“, „Compilation“ und „Quantum Error Correction“ bilden unsere Forschungsschwerpunkte. Weiterhin erforschen wir Quantenalgorithmen für Probleme im Bereich der Simulation, Optimierung und des maschinellen Lernens.

 

Expand all Close all

Quantenalgorithmen

Wir konzentrieren uns auf die Anpassung und Entwicklung von Quantenalgorithmen für die Bereiche (Quanten-)Simulation, Optimierung und maschinelles Lernen. Unsere Arbeit umfasst die Entwicklung von Quantenalgorithmen, die die einzigartigen Eigenschaften des Quantencomputers nutzen, um Probleme zu lösen, die für klassische Methoden rechenintensiv oder sogar unlösbar sind. Wir erforschen auch, wie diese Lösungen nahtlos in bestehende Arbeitsabläufe und Pipelines integriert werden können, um die Industrie auf das transformative Potenzial von Lösungen vorzubereiten, die durch Quantencomputing verbessert werden.

Quantum Circuit Cutting

Unsere Forschung zielt darauf ab, die Hardware-Beschränkungen beim Quantencomputing durch die Entwicklung fortschrittlicher Techniken zum Schneiden von Schaltkreisen zu überwinden. Diese Methoden ermöglichen die Aufteilung großer Quantenberechnungen in kleinere, überschaubare Aufgaben, die auf mehrere Quantenprozessoren verteilt werden können. Durch die Optimierung des Prozesses der Schaltungsteilung und der anschließenden Rekonstruktion der Ergebnisse gehen wir die zentralen Herausforderungen der Skalierbarkeit im Quantencomputing an. Das Schneiden von Schaltkreisen unterstützt nicht nur die Ausführung komplexer Algorithmen auf den heutigen begrenzten Quantencomputern, sondern legt auch den Grundstein für verteilte Quantencomputerarchitekturen und ist damit ein Eckpfeiler für die Skalierung von Quantentechnologien.

Quantum Circuit Compilation

Wir treiben die Kompilierung von Quantenschaltungen voran, indem wir die Übersetzung von Quantenalgorithmen in ausführbare Anweisungen für verschiedene Quanten-Hardware-Plattformen optimieren. Indem wir die Effizienz und Genauigkeit dieses Prozesses weiter verbessern, stellen wir sicher, dass auch komplexe Quantenschaltungen effektiv ausgeführt werden können. Diese Arbeit ist von entscheidender Bedeutung für die Überbrückung der Kluft zwischen theoretischen Quantenalgorithmen und ihrer praktischen Umsetzung und trägt zur Realisierung funktionaler Quantensysteme bei.

Quantum Error Correction

Die Fehlerkorrektur ist eine entscheidende Komponente, um Quantencomputer zuverlässig und skalierbar zu machen. Wir entwickeln innovative Methoden zur Anpassung von Fehlerkorrekturtechniken an die spezifischen Hardwareeigenschaften von Quantenprozessoren und an die Anforderungen bestimmter Anwendungen. Unser Schwerpunkt liegt auf der Verringerung des Ressourcenbedarfs bei gleichzeitiger Aufrechterhaltung eines hohen Maßes an Fehlertoleranz, wodurch die Fehlerkorrektur für baldige Geräte praktikabler wird. Durch die Anpassung von Fehlerkorrekturcodes an reale Quanten-Hardware und Anwendungsbedürfnisse beseitigen wir grundlegende Hindernisse auf dem Weg zum fehlertoleranten Quantencomputer. Diese Arbeit ist der Schlüssel zur Gewährleistung robuster Quantenberechnungen und zur Beschleunigung des Einsatzes der Quantentechnologie in industriellen und wissenschaftlichen Anwendungen.

Unser Leistungsangebot

Das Fraunhofer IIS ist Ihr Partner, um das Potential von Quantencomputing-basierten Lösungen für komplexe Herausforderungen in Ihren Unternehmensprozessen zu evaluieren.

Forschung/Entwicklung

Wir bieten Ihnen Teil- oder komplette F&E-Dienstleistungen.

 

 

Beratung

Wir bieten Ihnen Beratungen und Best Practices, um eine effektive Quantum DevOps-Kultur zu fördern.

Machbarkeits- und Technologiestudien

Wir bieten Ihnen Studien zur Evaluierung von Quantencomputing-Lösungen und deren wirtschaftlichem Potenzial an.

© Vittaya_25-stock.adobe.com

Consulting Workshop

Sie suchen den Einstieg ins Quantencomputing oder arbeiten bereits an Proof-of-Concept-Lösungen im Bereich Quantencomputing?

Gerne bieten wir Ihrem Unternehmen ein maßgeschneidertes Workshop an!

Kontaktieren Sie uns!

Wir realisieren die effiziente Bearbeitung Ihrer F&E-Projekte, sowie die Ausbildung von Nachwuchskräften mit diesem neuen Kompetenzprofil.

Kontaktieren Sie uns für eine individuelle Beratung unter:

 

Projekte

 

© Adobe Stock / Bartek Wróblewski - stock.adobe.com

QACI

 

 

Als Teil des QACI-Konsortiums (Quantum Algorithms for Application, Cloud & Industry) forschen wir an Machine Learning-basierten Ansätzen und Methoden für die optimale Nutzung von NISQ-Hardware durch optimierte Kompilation.

QACI
 

BayQS

 

 

Im Bayerischen Kompetenzzentrum Quanten Security and Data Science (BayQS) erforschen wir den Einsatz von Quantencomputern zur Verbesserung von maschinellem Lernen.

BayQS
 

© Adobe Stock / DP - stock.adobe.com

QuaST

 

 

Im Forschungsprojekt QuaST entwickeln wir Werkzeuge zur verbesserten Ausnutzung von Quantencomputern und bereiten den Weg für verteiltes Quantenrechnen.

QuaST
 

QLindA

 

 

Im Projekt QLindA entwickeln wir Quantum Reinforcement Learning Algorithmen für industrielle Anwendungen.

QlindA
 

© Munich Quantum Valley | Mikka Stampa

Bench-QC

 

 

Im Leuchtturmprojekt Bench-QC des Munich Quantum Valley erforschen wir Benchmarking-Verfahren zur Identifikation von praktischen Quantenvorteilen.

Bench-QC
 

KID-QC²

 

 

Im Projekt KID-QC², einem Leuchtturmprojekt des Munich Quantum Valley, arbeiten wir und die Universität Augsburg eng zusammen, um den Entwurf und die Optimierung von Quantenschaltungen für quantenchemische Berechnungen auf eine neue Stufe zu heben.

KID-QC²

Weitere Informationen

Quantentechnologien

Erfahren Sie mehr über Enablingtechnologien und Algorithmen für das Quantencomputing

Quantentechnologien

Autonome Systeme

Automatisierung begegnet uns im Alltag inzwischen überall. Dass etwas automatisch läuft, ist so lange entlastend, bis ein Problem entsteht. Inzwischen können diese Fehler von den Maschinen selbst behoben werden.

Autonome Systeme

Machine Learning Kompetenz

Das über viele Jahre aufgebaute Know-how in verschiedenen Anwendungsbereichen ermöglicht individuelle Beratung und Lösungen für den Kunden.

Machine Learning Kompetenz

Wir suchen Studenten/innen...

Neue Stellen werden hier verlinkt

Wir suchen Studenten/innen...

Online-Magazin

Serie: Quantentechnologien

Beitrag Magazin

Unsere Publikationen

Meyer, Nico; Ufrecht, Christian; Yammine, George; Kontes, Georgios; Mutschler, Christopher; Scherer, Daniel D. (2025): 

Benchmarking Quantum Reinforcement Learning

in: 2025 arXiv.org, pp. 1-29.

 

Richter, Martin; Dubey, Abhishek Y.; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D.; Hartmann, Michael J. (2025): 

Quantum Wasserstein Compilation: Unitary Compilation using the Quantum Earth Mover's Distance

in: 2025 arXiv.org, pp. 1-13.

 

Wiedmann, Marco; Periyasamy, Maniraman; Scherer, Daniel D. (2024): 

Fourier Analysis of Variational Quantum Circuits for Supervised Learning

in: 2024 arXiv.org, pp. 1-12.

 

Meyer, Nico; Berberich, Julian; Mutschler, Christopher; Scherer, Daniel D. (2024): 

Robustness and Generalization in Quantum Reinforcement Learning via Lipschitz Regularization

in: 2024 arXiv.org, pp. 1-10.

 

Rietsch, Sebastian; Dubey, Abishek Y.; Ufrecht, Christian; Periyasamy, Maniraman; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D. (2024): 

Unitary Synthesis of Clifford+T Circuits with Reinforcement Learning

in: 2024 arXiv.org, pp. 1-12.

 

Meyer, Nico; Röhn, Martin; Murauer, Jakob; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D. (2024): 

Comprehensive Library of Variational LSE Solvers

in: 2024 2nd International Workshop on Quantum Machine Learning: From Research to Practice (QML@QCE 2024), pp. 1-4.

 

Meyer, Nico; Murauer, Jakob; Popov, Alexander; Ufrecht, Christian; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D. (2024): 

Warm-Start Variational Quantum Policy Iteration

in: 2024 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 1-9.

 

Meyer, Nico; Ufrecht, Christian; Periyasamy, Maniraman; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D.; Maier, Andreas (2024): 

Qiskit-Torch-Module: Fast Prototyping of Quantum Neural Networks,

in: 2024 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 1-7.

 

Ufrecht, Christian; Herzog, Laura S.; Scherer, Daniel D.; Periyasamy, Maniraman; Rietsch, Sebastian; Plinge, Axel; Mutschler, Christopher (2024): 

Optimal joint cutting of two-qubit rotation gates

in: 2024 arXiv.org, pp. 1-9.

 

Periyasamy, Maniraman; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D.; Mauerer, Wolfgang (2024): 

Guided-SPSA: Simultaneous Perturbation Stochastic Approximation assisted by the Parameter Shift Rule

in: 2024 arXiv.org, pp. 1-12.

 

Herzog, Laura S.; Wagner, Friedrich; Ufrecht, Christian; Palackal, Lilly; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D. (2024): 

Improving Quantum and Classical Decomposition Methods for Vehicle Routing

in: 2024 arXiv.org, pp. 1-10.

 

Seitz, Philipp; Geiger, Manuel; Ufrecht, Christian; Plinge, Axel; Mutschler, Christopher; Scherer, Daniel D.; Mendl, Christian B. (2024): 

SCIM MILQ: An HPC Quantum Scheduler

in: 2024 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 292-298.

 

Periyasamy, Maniraman; Hölle, Marc; Wiedmann, Marco; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher (2024): 

BCQQ: Batch-Constraint Quantum Q-Learning with Cyclic Data Re-uploading

in: 2024 International Joint Conference on Neural Networks (IJCNN), pp. 1-9.

 

Meyer, Nico; Ufrecht, Christian; Periyasamy, Maniraman; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher (2024): 

A Survey on Quantum Reinforcement Learning 

in: 2024 arXiv.org, pp. 1-83.

 

Ufrecht, Christian; Periyasamy, Maniraman; Rietsch, Sebastian; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher (2023): 

Cutting multi-control quantum gates with ZX calculus

in: 2023 Quantum, Volume 7, pp. 1147-1160.

 

Meyer, Nico; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher; Hartmann, Michael J. (2023): 

Quantum Natural Policy Gradients: Towards Sample-Efficient Reinforcement Learning

in: 2023 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 36-41.

 

Meyer, Nico; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher; Hartmann, Michael J. (2023): 

Quantum Policy Gradient Algorithm with Optimized Action Decoding,

in: 2023 Proceedings of the 40th International Conference on Machine Learning (ICML), pp. 1-22.

 

Wiedmann, Marco; Hölle, Marc; Periyasamy, Maniraman; Meyer, Nico; Ufrecht, Christian; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher (2023): 

An Empirical Comparison of Optimizers for Quantum Machine Learning with SPSA-based Gradients

in: 2023 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 450-456.

 

Franz, Maja; Wolf, Lucas; Periyasamy, Maniraman; Ufrecht, Christian; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher; Mauerer, Wolfgang (2022): 

Uncovering instabilities in variational-quantum deep Q-networks,

in: 2022 Journal of the Franklin Institute, Volume 360, Issue 17, pp. 13822-13844.

 

Periyasamy, Maniraman; Meyer, Nico; Ufrecht, Christian; Scherer, Daniel D.; Plinge, Axel; Mutschler, Christopher (2022): 

Incremental Data-Uploading for Full-Quantum Classification 

in: 2022 IEEE International Conference on Quantum Computing and Engineering (QCE), pp. 31-37.