Abschlussarbeiten rund um das Thema Quantencomputing

Derzeit sind alle Themen vergeben. Neue Arbeiten werden Mitte 2024 ausgeschrieben.

Quanten-Kernel-Methoden zum Lösen von Differentialgleichungen (B.Sc., M.Sc.)

Im Rahmen des Projekts DEGRAD-EL3-Q untersuchen wir, wie Quantencomputingmethoden zur Analyse der Lebensdauer von Elektrolyseuren eingesetzt werden können. Das Projekt ist Teil des Leitprojekts H2Giga mit dem Ziel, den industriellen Herstellungsprozess von Elektrolyseuren voranzubringen. Die mathematische Beschreibung des Verhaltens von Elektrolyseuren im Betrieb kann durch Differentialgleichungen modelliert werden. Im Projekt wollen wir dabei erforschen, inwieweit Quanten-Kernel-Methoden zur Lösung von Differentialgleichungen eingesetzt werden können. Darüber hinaus soll ein systematischer Vergleich zu den ebenfalls im Projekt untersuchten quantenneuronalen Netzen erfolgen. Hieraus ergibt sich ein spannendes und zukunftsweisendes Forschungsthema im Superpositionszustand aus Quantencomputing und Wasserstoffforschung.

Stochastic Gradient Line Bayesian Optimierung (SGLBO) für Quantencomputing (B.Sc.)

Aktuelle Algorithmen für Quantencomputer basieren auf sogenannten variationellen Ansätzen. Dabei werden Quantengates, die programmierbaren Bausteine des Quantencomputers, mit Variablen parametrisiert und mithilfe von klassischen Computern numerisch optimiert. Häufig kommen hierfür gradientenbasierte Methoden zum Einsatz. Allerdings stellen das Rauschen aufgrund der probabilistischen Natur der Quantenphysik sowie das signifikante Messrauschen der aktuellen fehleranfälligen Hardware eine besondere Herausforderung für die Optimierung dar. Optimierungsverfahren für Quantenalgorithmen müssen daher in der Lage sein, mit dem Rauschen umzugehen.

Hierbei kann auf Optimierungsverfahren aus dem maschinellen Lernen zurückgegriffen werden. Ein sehr vielversprechender Optimierungsansatz ist die Stochastic Gradient Line Bayesian Optimierung (SGLBO). In dieser Methode wird ein Machine Learning Verfahren (Bayesian Optimization) für die Schrittweiten-steuerung der Optimierung benutzt. In einer aktuellen Publikation wurde gezeigt, wie damit einen Vorteil für Quantenalgorithmen gegenüber anderen Optimierungsverfahren erzielt werden kann. In dieser Bachelorarbeit soll untersucht werden, wie gut die Optimierung von Quanten Neuronalen Netzwerken mit der SGLBO Methode funktioniert. Quanten Neuronale Netzwerke funktionieren ähnlich wie künstliche Neuronal Netzwerke, jedoch werden sie auf einem Quantencomputer betrieben. Zu Beginn der Arbeit soll die SGLBO Methode in Python implementiert und getestet werden. Anschließend erfolgt ein Vergleich mit anderen vorimplementierten Optimierungsmethoden unter verschiedenen Einflüssen von Rauschen. Zum Abschluss der Arbeit soll untersucht werden, wie gut die Optimierung auf der echten Quantencomputing Hardware von IBM funktioniert. Die Arbeit bietet eine spannende Möglichkeit, sich mit den aktuellen Herausforderungen im Bereich der Quantencomputing-Optimierung auseinanderzusetzen und dabei einen wichtigen Beitrag zu leisten. Vorkenntnisse in numerischer Optimierung sind von großem Vorteil sowie ein allgemeines Interesse an den Themen Quantencomputing und Machine Learning.

Untersuchung von Quanten Graph Neural Networks für die Vorhersage von Moleküleigenschaften (M.Sc.)

Skalierbare und kosteneffiziente Lösungen für die Speicherung erneuerbarer Energien sind unerlässlich, um den steigenden Energiebedarf der Welt zu decken und gleichzeitig den Klimawandel einzudämmen. Die Umwandlung von Strom in Wasserstoff sowie der umgekehrte Verbrennungsprozess können dabei eine wichtige Rolle spielen. Um Katalyseprozesse im Bereich der Wasserstoffproduktion effizient ablaufen zu lassen, werden laufend neue Materialien untersucht. Zur Simulation und Berechnung von Katalyseeigenschaften werden bereits Methoden des maschinellen Lernens eingesetzt. Insbesondere graphenbasierte Neuronale Netze (GNN) erweisen sich hier als besonders vielversprechend. Da die Vorhersage von Potenzialflächen und anderen relevanten Eigenschaften auf molekularer und atomarer Ebene abläuft, wird ebenfalls der Einsatz von Quantencomputern untersucht. In der Literatur existieren bereits erste Ansätze um GNNs auf Quantencomputern zu realisieren. In der Masterarbeit soll untersucht werden, inwieweit sich diese Quanten GNNs zur Vorhersage von molekularen Eigenschaften eignen. Dazu muss je nach Vorwissen zunächst ein Verständnis über GNNs sowie einiges Grundlagenwissen zu Quantencomputing erarbeitet werden. Tiefergehendes Wissen bezüglich der Elektrokatalyse ist nicht unbedingt erforderlich. Gegen Ende der Masterarbeit können die erarbeiteten Ansätze auf einem echten Quantencomputer getestet und evaluiert werden.