Quantencomputing steht aktuell an der Schwelle von der Grundlagenforschung zur Anwendung und birgt enormes wirtschaftliches Potenzial. Vielversprechende Umsetzungen könnten sich bei der Entwicklung von medikamentösen Wirkstoffen, der Optimierung von Warenströmen oder der Konstruktion neuartiger Materialien ergeben. Doch die Hürde, in die Technologie einzusteigen, ist aktuell noch sehr hoch, schließlich unterscheidet sich das Rechenparadigma grundlegend davon, wie herkömmliche Computer arbeiten. Die Forschungsgruppe »Quantencomputing« am Fraunhofer IPA erarbeitet deshalb verschiedene Lösungen und Einstiegshilfen, um Unternehmen an die komplexe Technologie heranzuführen und erste Anwendungsszenarien zu entwickeln.

Benutzerfreundliches Tool für Industrie und Forschung

Ein neues Angebot in diesem Kontext ist die Open-Source-Python-Bibliothek »sQUlearn«. Dieses Softwaretool für das Quantenmaschinelle Lernen (QML) adressiert durch sein Designprinzip sowohl Anwender als auch Forscher. Dank seiner vereinfachten Handhabung eignet es sich insbesondere für den Einsatz im industriellen Kontext, ohne dass entsprechendes physikalisches Grundlagenwissen nötig ist. Dies ermöglicht die benutzerfreundliche Integration mit der klassischen ML-Bibliothek »scikit-learn«.

sQUlearn stellt dabei eine Vielzahl an QML-Modellen für Regressions- und Klassifikationsaufgaben zur Verfügung. Während erstere beispielsweise zur Vorhersage von Wartungszeiträumen nutzbar sind, kommen letztere unter anderem bei der Bilderkennung zum Einsatz. Konkret bietet das Tool Quanten-Neuronale-Netze (QNN) bis hin zu Quanten-Kernel-Methoden wie Quanten-Gauss-Prozesse oder Quanten-Support-Vector-Machines. Fachleute aus dem Forschungsumfeld von QML können hingegen auf verschiedene Funktionalitäten auf Entwicklungsebene zurückgreifen und Weiterentwicklungen direkt darauf aufbauen. Nicht zuletzt verfügt das Paket über eine komfortable Backend-Unterstützung für IBM-Quantencomputer.

Umfangreiche Forschungsarbeiten zum Quantencomputing

Durch seine Konzeption gestaltet sich auch der Nutzen von sQUlearn vielseitig. Einerseits dient es der Industrie als niederschwelliger Einstieg in das Zukunftsthema »Quantencomputing« insbesondere für QML-Methoden. Andererseits kann es als Werkzeugkasten zur Weiterentwicklung der QML-Methoden im Forschungsumfeld eingesetzt werden. Das Programmpaket ist in verschiedenen Forschungsprojekten entstanden. Dazu gehören DEGRAD-EL3, in dem der Verschleiß von Elektrolyseuren mithilfe von Quantencomputing-Methoden analysiert wird, und AQUAS, in dem Quantensimulationen für die Verbesserung von Elektrolysematerialien erforscht werden. Nun wird das Paket für das Projekt AutoQML gebündelt und ausgestaltet. AutoQML hat das Ziel, Quantenmaschinelles Lernen zu automatisieren und so einen frühzeitigen Transfer in die Industrie zu ermöglichen.