Grenzenloses Disruptionspotenzial und Beispiele sattQuantum Machine Learning: aktuelle Perspektiven und Potenziale

Ein Gastbeitrag von Alina Nizamutdinova und Steffen Maas*

Anbieter zum Thema

Der Begriff Quantum Machine Learning bezieht sich auf maschinelle Lernalgorithmen zur Analyse klassischer Daten, die auf einem Quantencomputer ausgeführt werden. Dabei werden Qubits verwendet, um die Rechengeschwindigkeit und die Datenspeicherung durch Algorithmen in einem Programm zu verbessern.

Die Ginkgo Analytics GmbH hat in Hamburg ein Quantum Lab eröffnet. Der Fokus liegt auf dem Quantum Machine Learning. Die Autoren Alina Nizamutdinova und Steffen Maas arbeiten dort und zeigen das Potenzial dieser Techniken auf.
Die Ginkgo Analytics GmbH hat in Hamburg ein Quantum Lab eröffnet. Der Fokus liegt auf dem Quantum Machine Learning. Die Autoren Alina Nizamutdinova und Steffen Maas arbeiten dort und zeigen das Potenzial dieser Techniken auf.

(Bild: Ginkgo Analytics)

Qubits sind die kleinsten Rechen- und Informationseinheit eines Quantencomputers. Im Gegensatz zu herkömmlichen Computern, in denen die Bits nur Einsen und Nullen enthalten können, können Qubits mehrere Zustände gleichzeitig annehmen beziehungsweise Zwischenwerte enthalten. Bei kluger Kombination dieser Effekte lassen sich einige Probleme, die bisher nicht lösbar sind oder eine lange Rechenzeit benötigen, effektiver angehen. Dies birgt große Potenziale für Unternehmen verschiedenster Branchen und Industrien.

Status Quo und Herausforderungen

Quantencomputing hat noch einige Hindernisse zu überwinden, was die Stabilität der Hardware und die höhere Anzahl von Qubits auf einem Gerät betrifft. Doch diverse Cloud-Anbieter wie Microsoft, IBM oder Amazon stellen Entwicklern bereits Dienste für Quantenanwendungen bereit.

Das ist durchaus sinnvoll; denn wir alle sammeln jedes Jahr mehr und mehr Daten, die immer schwieriger zu verarbeiten sind. Hinzu kommen immer anspruchsvolleren Optimierungsprobleme in allen Industriebereichen, die Nachfrage nach Echtzeit-Optimierungslösungen und Grenzen bei der Verkleinerung von Halbleitern für traditionelle Computer. Grund genug für Unternehmen, die Herausforderungen dieser Technologie mit hohem Potenzial anzugehen.

Fähigkeiten von Quantum Machine Learning: Anwendungsfälle

Machine Learning auf Quantenbasis bietet wie oben skizziert die Möglichkeit Probleme schneller und exakter zu lösen als klassisches Machine Learning. Und so werden Quantenalgorithmen angewandt:

  • Die Quantensuche wird eingesetzt, um unbekannte Informationen aus einem unendlichen Suchraum zu finden, zum Beispiel: die Suche nach einem geheimen Schlüssel (coprimer), der einen großen Einfluss auf die klassische Kryptographie und Sicherheit hat.
  • Das Quantensampling wird verwendet, wenn ein Agent Werte aus einem Lösungsraum zieht. Dies kann beispielsweise zur Verallgemeinerung der Bevölkerungsverteilung genutzt werden, zum Beispiel: das Bosonen-Sampling und dessen Überprüfung in Minuten anstatt in Stunden.
  • Die Quantenoptimierung kommt zum Tragen, wenn eine Reihe von Beschränkungen und Optimierungskriterien vorgegeben sind. Der Algorithmus findet eine optimale Kombination von Variablen aus einer praktisch unendlichen Anzahl von Kombinationen, zum Beispiel: die Optimierung von Transportplänen und -zuweisungen.
  • Quantensimulationen werden eingesetzt, um ein reales System oder einen realen Prozess über einen bestimmten Zeitraum zu imitieren. Das Modell stellt das Verhalten oder die Eigenschaften des Systems über einen längeren Zeitraum dar. Dies ermöglicht vorausschauende Prognosen und Szenarien für die Entscheidungsfindung. Beispiel: die Entdeckung neuer Materialien mit neuen Eigenschaften.

Unser Ausblick

Quantenphysik wird die Wirtschaft und Gesellschaft der Zukunft stark verändern. Durch eine verbesserte Quantenfehlerkorrektur und die Skalierung von Qubits auf Millionen von Qubits können immer komplexere Anwendungsfälle realisiert werden.

Quantenstädte, Quantenbiologie und persönliche Gesundheit, sowie Quantenethik werden an Bedeutung gewinnen. Größere Quantensimulationen ermöglichen Klima-Analytik und Weltsimulationen. In nahezu jeder Branche und Industrie werden bislang unentdeckte Potenziale gehoben werden können und zahlreiche Szenarien und Anwendungsfälle möglich sein.

Die Quantenphysik im Allgemeinen und Quantum Machine Learning im Besonderen sorgen für nicht weniger als eine umfassende globale Disruption und Revolution.

Quantum Machine Leaning: ein Quantensprung für Branchen und Industrien

Sicherheit und Kryptographie: Quantencomputer-Kapazitäten stellen ein Risiko für die auf RSA-basierenden Sicherheitsmechanismen dar. Der Shor-Algorithmus, angewandt in einem Quantenrechner mit einer hohen Anzahl stabiler Qubits, hat das Potenzial, koprimale Zahlen sehr schnell zu berechnen. In Zukunft werden Post-Quantum-Kryptographie und Quantenschlüssel-Verteilung in Kombination mit traditionellen Mechanismen zur Gewährleistung mehrerer Sicherheitsebenen die Landschaft dominieren.

Bankenwesen und Versicherungen: Das Finanzwesen ist einer der wichtigsten Bereiche für einen Quantendurchbruch. Portfolio-Optimierung und Risikomanagement sind sehr rechenintensiv und genau hier sind Quantentechnologien überlegen. Eine weitere stark vernetzte Branche, die enorm von den Vorteilen der Quanten profitieren wird, ist das Versicherungswesen. Exakte Vorhersagen von Wetterkatastrophen und des Fahrverhaltens wird es ermöglichen, Risiken viel besser und schneller abzuschätzen. Darüber hinaus lassen sich betrügerische Transaktionen und verdächtige Aktivitäten erkennen.
2021 arbeitete KPMG mit dem kanadischen Hersteller D-wave zusammen, um eine Portfolio-Optimierung mit einem 2000-Qubit-Quanten-Annealinggerät durchzuführen. Das Projekt konnte beweisen, dass Quantentechnologien einen besseren und schnelleren Ansatz bieten können, auch wenn Skalierbarkeit und Implementierung der Lösung noch eine Herausforderung darstellen.

Life Sciences und Pharma: Biowissenschaften und Pharmazie bieten ein breites Anwendungsfeld für Quanten. So kann die Entdeckung und Entwicklung von Arzneimitteln durch die Verbesserung der Proteinfaltung, die Vorhersage von Proteinstrukturen und die Identifizierung neuer Moleküle und Arzneimittel beschleunigt werden. Die Planung der Optimierung klinischer Studien, die Auswahl der Mittelgröße und der Patienten sowie das virtuelle Screening von Kandidaten können durch Quantensampling verbessert werden. Epidemiologie, Pandemie-Management, klinische und pflegerische Versorgung, Betriebs- und Lieferketten-Management, Krebsbestrahlungstherapie oder Genomik sind nur einige weiterer möglicher Anwendungsfälle.
Ein Beispiel ist Polarisqb, ein Unternehmen, das die weltweit erste Plattform für die Entdeckung von Arzneimitteln mit Hilfe von Quantencomputern anbietet und damit die präklinische Entwicklung von Arzneimitteln von Jahren auf Monate verkürzt.

Fertigung: In der Fertigung könnte Quantencomputing in sehr rechenintensiven Bereichen helfen, in denen traditionelle Simulationen mit FEM-basierten Programmen entweder nicht durchführbar sind oder zu lange dauern, um eine optimale Konfiguration zu finden. Darüber hinaus werden Supply Chain Management, Echtzeit-Vorhersagen und Smart Manufacturing Unternehmen eine enorme Verbesserung des Produktionslebenszyklus ermöglichen.
Ein weiterer Bereich für die Anwendung des Quantencomputing in der Fertigung ist die Molekular- und Materialsimulation. Gerade erst ist Covestro, einer der größten Polymerhersteller, eine Partnerschaft zur gemeinsamen Materialforschung und -entwicklung mit QC Ware eingegangen.

Transport & Logistik: Aufgrund der globalen Lieferkettenkrise und zunehmender Unsicherheiten werden Quantenverfahren immer häufiger in Transport und Logistik eingesetzt. Quantum-Simulationen und -Optimierungen verbessern die Transportplanung, die Routen- und Frachtoptimierung, den Verkehrsfluss oder die Lageroptimierung. Durch die Erhöhung der Auslastung großer Containerschiffe könnten Kunden jährlich mehrere Millionen Euro einsparen. Auch die vorausschauende Flottenwartung kann durch Quantum Machine Leaning verbessert werden.
Ein Beispiel ist die Verbesserung der Zugplanung, bei der Cambridge Quantum und die Deutsche Bahn Netz AG im Jahr 2021 eine Partnerschaft eingegangen sind, um das Potenzial von Quantencomputern zu untersuchen.

Handel: Auch der Handel profitiert von Quantensimulationen und Optimierungen. Das reicht von Marktsimulationen und Produktnachfrageprognosen bis hin zur Optimierung des Produktumschlags, insbesondere bei frischen Lebensmitteln. Ein optimaler Anwendungsfall ist die Bestandsplanung in einer komplexen und sich verändernden Lieferkette zur Minimierung von Lagerkosten und Bearbeitungszeiten.
Das Gleichgewicht zwischen der Herstellung von Produkten mit hohem Wachstum und der Versorgung ermöglicht eine dynamische Reaktion in Echtzeit und ein optimiertes Kundenerlebnis – letzteres auch durch personalisierte Empfehlungen sprich Hyper-Personalisierung.
Ein Beispiel liefert Marks & Spencer, ein Händler mit 30 Millionen Kunden, der während der Pandemie mit Verlusten zu kämpfen hatte. 6.400 Kernlebensmittelkategorien wurden mithilfe von Quanten optimiert, um sicherzustellen, dass den Kunden die richtigen Produkte angeboten werden.

Energiesektor: Die Suche nach der optimalen Position für Infrastruktur im Energiesektor (etwa Standorte von Ladestationen und optimale Energietrassen) ist angesichts der vielfältigen Voraussetzungen und exponentiell wachsenden Möglichkeiten schwierig zu optimieren. Hier ermöglicht Quantum Machine Learning in kurzer Zeit optimale Lösungen für komplexe Systeme zu finden.
Darüber hinaus können Quantencomputer zur Steuerung verteilter Ressourcen, zur Optimierung des Stromnetzes sowie zur Verbesserung der Batterietechnologie eingesetzt werden. All das ist besonders wichtig, um die Umstellung auf erneuerbare Energien zu bewältigen.
Ein Beispiel dafür liefert EON, ein Energie-Unternehmen das 2021 eine Partnerschaft mit D-Wave Systems Inc. einging, um sein Stromnetz für erneuerbare Energien mit Hilfe von Quanten-Annealing und Hybridmethoden zu optimieren.

Über die Autorin

Dr. Alina Nizamutdinova: „Quantum Machine Learning passiert genau jetzt. Ich bin begeistert davon, was in diesem Bereich heute schon alles möglich ist.“
Dr. Alina Nizamutdinova: „Quantum Machine Learning passiert genau jetzt. Ich bin begeistert davon, was in diesem Bereich heute schon alles möglich ist.“

(Bild: Ginkgo Analytics)

Dr. Alina Nizamutdinova (31) ist Senior Data Scientist bei der Ginkgo Analytics GmbH mit dem Fokus auf Big Data, Analytics und Künstlicher Intelligenz (KI). Zudem leitet sie das im August 2022 von Ginkgo gegründete Quantum Lab. Dieses hat das Ziel, praktische Anwendungsfälle im Bereich Quantum Machine Learning in kürzester Zeit umzusetzen.

Nizamutdinova verfügt über mehr als fünf Jahre Erfahrung in der Modellierung und Optimierung komplexer Systeme und Prozesse, um neue, effiziente Lösungen in Maschinenbau, Materialwissenschaft, Luft- und Raumfahrt und Telekommunikation einzusetzen. Seit 2019 ist die promovierte Kernphysikerin im Bereich Data Science und Machine Learning aktiv. Sie hilft von Hamburg und München aus Kunden unterschiedlicher Bereiche, Methoden der KI zu verstehen und zu implementieren und ist federführend bei der Etablierung neuester Technologien.

Über den Autor

Steffen Maas
Steffen Maas

(Bild: Ginkgo Analytics)

Steffen Maas (43) ist Gründer und Geschäftsführer der Ginkgo Analytics GmbH, Teil der Eraneos Group, mit dem Fokus auf Big Data, Analytics und Künstlicher Intelligenz (KI). Maas verfügt mehr als 15 Jahre Erfahrung als Unternehmens- und Strategieberater und hat verschiedene Unternehmen bei der Transformation in datengetriebene und KI-gestützte Firmen begleitet, unter anderem Telekom, Lufthansa, Daimler, die Deutsche Bahn und Hapag-Lloyd.

Seit 2017 ist Maas als Unternehmer im Bereich Data Science aktiv. Als Mitglied des KI Bundesverbands, bei [email protected] sowie als Keynote Speaker und Mentor, gibt er seine Expertise regelmäßig an Unternehmen, Wissenschaft und die Gesellschaft weiter.