Quantencomputer unterscheiden sich grundlegend von herkömmlichen Computern, da ihre Funktionsweise auf den Prinzipien der Quantenmechanik beruht. Im Gegensatz zu den bekannten Bits nutzt ein Quantencomputer sogenannte Qubits, also quantenmechanische Systeme mit zwei Zuständen. Dies erlaubt es, Informationen in quantenmechanischen Superpositionszuständen zu kodieren, wodurch ein Qubit gleichzeitig mehrere Zustände repräsentieren kann. Hinzu kommt die Verschränkung. Dabei können Zustände von quantenmechanischen Systemen auch über große Entfernungen hinweg miteinander korrelieren. Beides zusammen verspricht neue Berechnungsmöglichkeiten.
Komplexe Probleme in kurzer Zeit lösbar machen
Die Hoffnung auf zukünftige Durchbrüche mit Quantencomputing speist sich im Wesentlichen aus einer Reihe von bekannten Algorithmen mit exponentiellem Laufzeitvorteil gegenüber ihren herkömmlichen Analoga. Eindrucksvoll illustriert dieses Potenzial der Shor-Algorithmus: Dieser erlaubt eine effiziente Zerlegung von Zahlen in ihre Primfaktoren – ein Durchbruch, der die Sicherheitsarchitektur vieler IT-Systeme infrage stellen könnte. Als Folge daraus hat beispielsweise Apple zu Beginn dieses Jahres seinen Nachrichtendienst iMessages auf eine Verschlüsselungsmethode umgestellt, die nicht durch eine solche Art der Primfaktorzerlegung bedroht ist. Der Shor-Algorithmus und weitere haben das wachsende Interesse an der Technologie befeuert und deuten auf eine Zukunft hin, in der Quantencomputer sehr komplexe Probleme in Bereichen wie Logistik oder Materialwissenschaft in einem Bruchteil der bisher benötigten Zeit lösen könnten.
Quantencomputing für die Bildverarbeitung
In der Bildverarbeitung ist Quantum Machine Learning (QML) der vielversprechendste Bereich. Derzeit konzentriert sich das Feld vorrangig darauf, konventionelle maschinelle Lernalgorithmen durch Quantencomputing zu verbessern oder bekannte Konzepte an Quantensysteme anzupassen. Zu den bedeutendsten Methoden, die schon auf derzeitig existierenden Quantencomputern lauffähig sind, gehören Quantenneuronale Netze. Der Begriff umfasst eine vielfältige Klasse von Algorithmen. Ihre Hauptgemeinsamkeit besteht darin, dass sie eine schichtweise Struktur haben, die variational mit einem klassischen Computer trainiert wird. Dies erlaubt, die stabile Rechenleistung von klassischen Computern zu nutzen und gleichzeitig Zugriff auf etwaige Vorteile durch quantenmechanische Effekte zu erhalten. Die Methoden können prinzipiell auf viele Einsatzgebiete in der Bildverarbeitung, z.B. Klassifikation und Regression, angewendet werden.
Viele der klassischen Machine-Learning-Modelle wie CNN, Transformer und Autoencoder, die in der Bildverarbeitung bereits erfolgreich eingesetzt werden, haben entsprechende Umsetzungen für Quantencomputer, die auch schon in kleinem Umfang in realitätsnahen Anwendungsfällen wie Objekt- oder Kantenerkennung erprobt wurden. Neben diesen ‚Übersetzungen‘ klassischer Modelle in Quantenmodelle gibt es Bestrebungen, Optimierungsverfahren für das Training klassischer neuronaler Netze zu beschleunigen, wovon insbesondere das Training großer Modelle mit vielen Parametern profitieren könnte. Da hier Quantencomputing für das Training klassischer Modelle verwendet wird, könnte ein Nutzen für vielfältige Anwendungen in der Bildverarbeitung entstehen, wodurch eine kürzere und energieeffizientere Trainingszeit möglich würde. Diese Methoden benötigen allerdings Quantencomputer mit einer sehr hohen Qubitanzahl und niedrigen Fehlerraten, was über das hinausgeht, was mit derzeitigen Systemen möglich ist. Die Umsetzbarkeit muss sich daher in den kommenden Jahren erst noch zeigen.
Technologie praxistauglicher machen
Obwohl es mathematische Hinweise auf potenziell exponentielle Beschleunigungen gibt, ist die Suche nach Anwendungsfällen, die effizient mit einem Quantencomputer berechnet werden können und gleichzeitig für klassische Computer schwer sind, eine laufende Forschungsfrage. Denn trotz vielversprechender Perspektiven stehen Quantencomputer noch am Anfang ihrer Entwicklung, weshalb ihr Einsatz bislang auf Machbarkeitsnachweise im kleinen Rahmen beschränkt ist. Technologische Hürden, wie die Fehleranfälligkeit von Qubits, die durch Wechselwirkung mit der Umgebung ihre quantenmechanischen Eigenschaften verlieren, müssen überwunden werden. Die Forschung konzentriert sich daher nicht nur darauf, die Qubit-Zahlen zu erhöhen, sondern auch auf die Entwicklung von Fehlerkorrekturmethoden. Am Fraunhofer IPA nimmt das Feld des Quantencomputings eine stetig wachsende Bedeutung ein. Das Institut hat zu diesem Zweck eine spezialisierte Forschungsgruppe ins Leben gerufen, die sich auf die Gebiete des quantenunterstützten maschinellen Lernens und der Quantenoptimierung konzentriert. Die Projekte zielen darauf ab, sowohl die technologischen Grundlagen weiterzuentwickeln, als auch konkrete Anwendungsmöglichkeiten zu erforschen und die Technologie in ihre praktischen Anwendungen zu transferieren.
