„Bessere Ergebnisse bekommen“: Darum geht es beim Flaqship von Fraunhofer in Heilbronn

Quantencomputing bekommt in der Region Heilbronn einen großen Stellenwert. Ans Molit-Institut kommt ein eigener Quantencomputer, die Hochschule will eine Professur zum Thema besetzen und plant eine Ringvorlesung zu Quantencomputing. Und mit der Gründung des institutsübergreifenden Fraunhofer-Labs Flaqship bündeln nach eigenen Angaben Fraunhofer-Institute sowie ein Institut der Universität Stuttgart ihre Forschungskompetenzen. Im Fokus steht anwendungsorientiertes Quantencomputing in Stuttgart und Heilbronn. Zur Bedeutung der Technologie äußert sich Dr. Christian Tutschku, Leiter des Teams Quantencomputing beim Fraunhofer-Institut für Arbeitswirtschaft und Organisation (IAO).

Herr Tutschku, was versteht man unter Anwendungsorientierung im Kontext Quantencomputing?

Christian Tutschku: Anwendungsorientierung kann man in zweierlei Hinsicht interpretieren. Es geht im Wesentlichen darum, theoretische Erkenntnisse aus der Quantenalgorithmik auf echter Hardware umzusetzen und/oder dabei relevante Probleme für Industrie und Wirtschaft vorteilhaft zu lösen.

Reichen konventionelle Rechner aus, um diese Software zu entwickeln, oder baucht man dazu Quantenrechner?

Tutschku: Nein, nicht vollständig. Klassische Simulation von Quantenalgorithmen zeigt uns nur einen Teil des echten Verhaltens. Nur weil ich etwas mathematisch bewiesen oder perfekt simuliert habe, heißt das noch lange nicht, dass es auf dem langen Transfer hin zur echten Hardware immer noch die angestrebten Performance-Vorteile zeigt.

An welchen Anwendungsgebieten arbeiten Sie konkret?

Tutschku: Im Kontext unserer Aktivitäten in Heilbronn arbeiten wir zentral an datenbasierten Problemstellungen im Bereich des Quanten-Maschinellen Lernens (QML). Mit Quantenalgorithmen versuchen wir dabei, bessere Ergebnisse zu bekommen. Mit „besser“ meinen wir hinsichtlich der Genauigkeit, Schnelligkeit oder der benötigten Datenmengen.

Und an welchen Anwendungen im Kontext des Maschinellen Lernen arbeiten Sie konkret?

Tutschku: Ein Beispiel dafür sind Vorhersage aus Zeitreihen.

Das heißt?

Tutschku: Ich habe viele Daten, die sind zeitlich gelabelt, und ich will den nächsten Zeitschritt vorhersagen – etwa bei Transaktionen von Kreditkarten oder der Dauer in Warteschlangen vor Kassen. Das sind konzeptionell ähnliche Probleme, die beide auf Zeitreihen basieren. QML-Algorithmen versprechen für derartige Fragestellungen perspektivisch die genannten Vorteile zu bieten und dadurch einen enormen wirtschaftlichen Impact zu erzeugen.

Sie sprechen von einem Mehrwert für Unternehmen. Erkennen Firmen das Potenzial bereits?

Tutschku: In unserer Arbeit betrachten wir durchaus die relevantesten industriellen Probleme. Wir sind allerdings noch nicht in einer Situation, dass uns viele Unternehmen intrinsisch motiviert kontaktieren. Das hat einerseits damit zu tun, dass die Technologie im Reifegrad noch sehr jung ist und Firmen gegebenenfalls noch an integrativen Fragestellungen von Digitalisierung und KI arbeiten. Andererseits betreiben wir unserer Mission folgend vorwettbewerbliche Forschung, die gerade klein- und mittelständische Unternehmen in der aktuellen wirtschaftlichen Situation nur schwer mitverfolgen können. Hier arbeiten wir an niederschwelligen Informations-, Monitorformaten und Schulungsformaten, um Unternehmen Ressourcen-schonend und zeitlich effizient am Zahn der Zeit zu halten beziehungsweise zu befähigen.

Kommentare öffnen