Mit den Gesetzen des Mikrokosmos schneller und besser Probleme lösen

Quantum Machine Learning zur Lösung industrieller Anwendungen

Auf einen Blick

 

Das Quantum Computing entwickelt sich von einer theoretischen Disziplin immer weiter zu einer angewandten. Die Entwicklung eines universellen, programmierbaren Quantencomputers ist mittlerweile keine reine Fiktion mehr, sondern wird mehr und mehr Realität. Dies ist von großer Brisanz: Durch die Möglichkeit, alle Rechenpfade zur Lösung komplexer Probleme mit verschränkten Qubits gleichzeitig durchzuführen, statt hintereinander wie bei klassischen Computern, sind enorme Leistungssteigerungen, besonders für Optimierungsprobleme denkbar. Dies kann allerdings nur gelingen, wenn die quantenmechanischen Phänomene der Verschränkung und Überlagerung von mikroskopischen Zuständen gezielt genutzt werden, um Information über die Lösung eines Problems aus dem Mikrokosmos in unsere makroskopische Welt zu holen und somit nutzbar zu machen. Wir nutzen das Potential möglicher Quantenvorteile bei der Lösung von allgegenwärtigen, industriell relevanten Entscheidungsproblemen und der Optimierung von Steuerungsaufgaben in der Fertigung und Industrie.

© DP - stock.adobe.com
Quantencomputer

Die Technologie

 

Basierend auf unserer Expertise in den Bereichen des Machine Learning, Deep Learning und Reinforcement Learning entwickeln wir hybride Techniken, welche Quantenrechner und herkömmliche, klassische Computer nutzen. So wird die Lernprozedur der Reinforcement-Learning-Verfahren zur Erzeugung von Kontrollstrategien in dynamischen und stochastischen Optimalsteuerungsproblemen verbessert und beschleunigt. Damit lassen sich für zeitkritische und rechenintensive Anwendungen in kürzerer Zeit bessere, approximative Kontrollstrategien finden.

Quantencomputing - gestütztes Reinforcement Learning

 

Da die Implementierung von Quantenalgorithmen einem völlig anderen Paradigma als gewöhnliche Programmieransätze für konventionelle Hardware folgt, erfordern auf Quantencomputing (QC) basierte Lösungsansätze einen anderen als den gewohnten Zugang. Im Rahmen von Forschungsprojekten werden modellbasierte und modellfreie QC-gestützte Reinforcement-Learning-Verfahren entwickelt. Besonderes Gewicht liegt auf der Erforschung der sogenannten Noisy Intermediate-Scale Quantum (NISQ) Technologie und damit verbundenen Quantenalgorithmen. Wir nutzen dazu auch Synergien zwischen maschinellem Lernen und variationellen, also im Grunde adaptiven bzw. lernenden Quantenalgorithmen. Hierzu werden industriell relevante Optimalsteuerungs- bzw. Kontrollprobleme in einem Modellierungsprozess als Markov’sches Entscheidungsproblem (MDP) formuliert. Zur schnellen und adaptiven Erzeugung von approximativen Kontrollstrategien (Policy) sind beispielsweise zwei QC-gestützte RL-Algorithmen einsetzbar: Policy-Iteration- und Policy-Gradienten-Verfahren. Blau unterlegt sind die Komponenten, die einem Quantenalgorithmus entsprechen und auf einem Quantenrechner ausgeführt werden. Sowohl für die Bildung des Surrogatmodells als auch bei der Policy-Approximation durch Variational Quantum Circuits (VQCs) kommen Methoden bzw. Modelle des Quantum Machine Learning (QML) zum Einsatz.

© Fraunhofer IIS/Friesen

Kompetenz

© Fraunhofer IIS/Friesen

Das Fraunhofer IIS vereinigt drei Kompetenzen, die für die Entwicklung hybrider Systeme essentiell sind: Zum einen die Kompetenz in wesentlichen Bereichen des maschinellen Lernens, von klassischen Methoden über künstliche Intelligenz (KI) bis hin zu Deep Reinforcement Learning. Zum anderen die Kompetenz im Verständnis komplexer physikalischer Systeme und Prozesse, vom Röntgengerät bis hin zum Quantenrechner. Darüber hinaus bringen wir eine integrale Kenntnis industrieller Prozesse und Anforderungen aus unzähligen Industriekooperationen für die gewinnbringende Anwendung von Methoden aus der Forschung mit.

 

Angebot

© Fraunhofer IIS/Friesen

Das Fraunhofer IIS unterstützt Sie in der Anpassung von Machine Learning Verfahren für die effiziente Nutzung eines Quantencomputers, um komplexe Problemstellungen in Ihren Unternehmensprozessen schneller zu lösen. Hierfür entwickeln wir Machine Learning Algorithmen für Berechnungen auf Quantencomputern, welche die Fehlerquoten des Quantencomputers reduzieren und somit zuverlässige Ergebnisse sicherstellen. Als F&E Partner bieten wir Ihnen, neben unserem Machine Learning Know-How, Wissen zu komplexen physikalischen Systemen und umfassende Industriekenntnisse durch langjährige Erfahrung aus der Praxis.

Weitere Informationen

Wir stellen ein!

Sie finden es spannend, sich mit der Forschung und Entwicklung innovativer Zukunftstechnologien zu beschäftigen? Quantencomputing und Reinforcement Learning finden Sie ebenfalls spannend?

ML4POS

Indoor-Lokalisierung / Positionsschätzung mit Deep Learning, wodurch die Signalverarbeitungskette ersetzt wird.

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.

BayQS - Fraunhofer AISEC

Das Bayerische Kompetenzzentrum Quanten Security and Data Science BayQS erforscht relevante Software-Fragestellungen im Zusammenhang des Quanten-Computing.