KI für Quantencomputing

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!

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.

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.

Fröhler, F., Stade, Y., Ulfrecht, C., Scherer, D., Wille, R. (2026):

Scalable Circuit Cutting: A Framework for Combined Gate and Wire Cuts Using Gate Groups

in: IEEE International Conference on Quantum Computing & Engineering (QCE 2026)

Meyer, N., Mutschler, C., Seuß, D., Maier, A., Scherer, D. '(2026):

Variational Early Fault-Tolerant Quantum Computing

in: EEE International Conference on Quantum Computing & Engineering (QCE 2026)

van der Horst, L., Periyasamy, M., Dubey, Y.A., Bincoletto, D., Kottmann, J.S., Scherer, D. (2026):

A Transferable Machine Learning Approach to Predict Optimized Orbitals for Electronic Structure Problems

in: arXiv:2605.04174

Meyer, N., Mutschler, C., Seuß, D., Maier, A., Scherer, D. (2026)

Learning Logical Operations for Arbitrary Quantum Error Correction Codes

in:arXiv:2605.28162

Meyer, N., Mutschler, C., Seuß, D., Maier, A., Scherer, D. (2026):

Learning to Concatenate Quantum Codes

in: arXiv:2604.14931

Popov, A., Meyer, N., Scherer, D., Dielt, G. (2026):

Optimized Compilation of Logical Clifford Circuits

in: arXiv:2602.12831

Mattick, A., Periyasamy, M., Ufrecht, C., Dubey, Y. A., Mutschler, C., Plinge. A., Scherer, D. (2025):

Optimizing Quantum Circuits via ZX Diagrams using Reinforcement Learning and Graph Neural Networks

in: arXiv preprint arXiv:2504.03429.

Wiedmann, M., Periyasamy, M., Scherer, D. (2025):

Fourier Analysis of Variational Quantum Circuits for Supervised Learning

in: IEEE QCE 2025 

Periyasamy, M., Ufrecht, C., Scherer, D., Mauerer, W. (2025):

CutReg: A loss regularizer for enhancing the scalability of QML via adaptive circuit cutting

in: IEEE QML@QCE Workshop 2025

Meyer, N., Mutschler, C., Maier, A., Scherer, D. (2025):

Variational Quantum Error Correction

in: IEEE QCE Poster Track 2025

Geißler, F., Stopfer, E., Ufrecht, C., Meyer, N., Scherer, D., Wagner, F., and others (2025):

BenchQC -- Scalable and modular benchmarking of industrial quantum computing applications

in: QUEST-IS 2025

Meyer, N., Ufrecht, C., Yammine, G., Kontes, G., Mutschler, C., Scherer, D. D. (2025): 

Benchmarking Quantum Reinforcement Learning

in: International Conference on Machine Learning (ICML), Vancouver, BC, Canada

Richter, M., Dubey, A. Y., Plinge, A., Mutschler, C., Scherer, D. D., Hartmann, M. J. (2025): 

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

in: 2025 arXiv.org, pp. 1-13.

Wiedmann, M., Periyasamy, M., Scherer, D. (2024): 

Fourier Analysis of Variational Quantum Circuits for Supervised Learning

in: 2024 arXiv.org, pp. 1-12.

Meyer, N., Berberich, J., Mutschler, C., Scherer, D. (2024): 

Robustness and Generalization in Quantum Reinforcement Learning via Lipschitz Regularization

in: 2024 arXiv.org, pp. 1-10.

Rietsch, S., Dubey, A. Y.; Ufrecht, C., Periyasamy, M., Plinge, A., Mutschler, C., Scherer, D. (2024): 

Unitary Synthesis of Clifford+T Circuits with Reinforcement Learning

in: IEEE International Conference on Quantum Computing and Engineering (QCE24), pp. 1-12.

Meyer, N., Röhn, M., Murauer, J., Plinge, A., Mutschler, C., Scherer, 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, N., Murauer, J., Popov, A., Ufrecht, C., Plinge, A., Mutschler, C., Scherer, D. (2024): 

Warm-Start Variational Quantum Policy Iteration

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

Meyer, N., Ufrecht, C., Periyasamy, M., Plinge, A., Mutschler, C., Scherer, D., Maier, A. (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, C., Herzog, L.,  Scherer, D., Periyasamy, M., Rietsch, S., Plinge, A., Mutschler, C. (2024): 

Optimal joint cutting of two-qubit rotation gates

in: 2024 arXiv.org, pp. 1-9.

Periyasamy, M., Plinge, A., Mutschler, C., Scherer, D., Mauerer, W. (2024): 

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

in: IEEE International Conference on Quantum Computing and Engineering (QCE24), pp. 1-12.

Herzog, L., Wagner, F., Ufrecht, C., Palackal, L., Plinge, A., Mutschler, C., Scherer, D. (2024): 

Improving Quantum and Classical Decomposition Methods for Vehicle Routing

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

Seitz, P., Geiger, M., Ufrecht, C., Plinge, A., Mutschler, C., Scherer, D., Mendl, C. (2024): 

SCIM MILQ: An HPC Quantum Scheduler

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

Periyasamy, M., Hölle, M., Wiedmann, M., Scherer, D., Plinge, A., Mutschler, C. (2024): 

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

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

Seitz, P., Geiger, M., Ufrecht, C., Plinge, A., Mutschler, C., Scherer, D., Mendl, C. (2024)
SCIM MILQ: An HPC Quantum Scheduler
Workshop on Integrating High-Performance and Quantum Computing (WIHPQC24) at IEEE International Conference on Quantum Computing and Engineering (QCE24)

Meyer, N., Ufrecht, C., Periyasamy, M., Scherer, D., Plinge, A., Mutschler, C. (2024): 

A Survey on Quantum Reinforcement Learning

in: 2024 arXiv.org, pp. 1-83.

Ufrecht, C., Periyasamy, M., Rietsch, S., Scherer, D., Plinge, A., Mutschler, C. (2023): 

Cutting multi-control quantum gates with ZX calculus

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

Meyer, N., Scherer, D., Plinge, A., Mutschler, C., Hartmann, M. (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, N., Scherer, D., Plinge, A., Mutschler, C., Hartmann, M. (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, M., Hölle, M., Periyasamy, M., Meyer, N., Ufrecht, C., Scherer, D., Plinge, A., Mutschler, C. (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, M., Wolf, L., Periyasamy, M., Ufrecht, C., Scherer, D., Plinge, A., Mutschler, C., Mauerer, W. (2022): 

Uncovering instabilities in variational-quantum deep Q-networks,

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

Periyasamy, M., Meyer, N., Ufrecht, C., Scherer, D., Plinge, A., Mutschler, C. (2022): 

Incremental Data-Uploading for Full-Quantum Classification

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