QUANTENCOMPUTER
Erste Algorithmen laufen bereits: Die Verknüpfung von Quantencomputern mit KI beschleunigt Berechnungen und steigert die Effizienz. Auch die Autoindustrie interessiert sich für das Zusammenführen der beiden Zukunftstechnologien
Sie sind ein ungleiches Paar und haben dennoch eine große gemeinsame Zukunft. Während Künstliche Intelligenz seit ChatGPT mitten in der Gesellschaft angekommen ist und keinen Stein auf dem anderen lässt, warten Quantencomputer weiter auf ihren Durchbruch. Noch sind sie zu klein und fehleranfällig, um praktischen Nutzen zu haben.
Doch die Vorstellung, zwei derart revolutionäre Technologien miteinander zu verbinden, ist verlockend, sodass sich längst nicht nur die Wissenschaftler damit beschäftigen. Erste Erfolge, wie etwa die Erkennung von handgeschriebenen Zahlen durch KI-Algorithmen, die auf Quantencomputern laufen, haben die deutsche Autoindustrie auf den Plan gerufen. Sie will von Anfang an dabei sein, wenn die Quantentechnologie die Forschungslabore verlässt und erhofft sich dadurch höhere Effizienz bei der Steuerung ihrer komplexen Fertigungsprozesse.
Quantenrechner für schwere Fälle
Aktuell sprechen Forscher im Zusammenhang mit Quantencomputern von einer „Noisy Intermediate Scale Quantum“- kurz NISQ-Ära, in der nur mittelskalige, Readly rauschbehaftete Quantencomputer zur
Verfügung stehen. Auch wenn der Begriff etwas abwertend klingt, laufen diese Maschinen recht zuverlässig und sind in der Lage, einfache Standardaufgaben des Maschinellen Lernens zu erledigen. Ihr wahres Potenzial können Quanten aber immer dann entfalten, wenn Probleme eine hohe Komplexität aufweisen. „Hohe Komplexität bedeutet, dass der Rechenaufwand für eine Lösung hoch bleibt, auch wenn der Programmierer noch so schlau ist und sich noch so viel Mühe gibt“, erklärt Nico Piatkowski vom Lamarr Institut für Maschinelles Lernen und Künstliche Intelligenz am Standort des Fraunhofer-Instituts für Intelligente Analyse- und Informationssysteme. „Und die größte Herausforderung sind Probleme, deren Komplexität exponentiell zu ihrer Länge wächst.“
Ein praxisnahes Beispiel für ein solches Problem ist die Aufgabe, aus einem Bild mit einer Million Pixel diejenigen Bildpunkte auszuwählen, die für eine KIgestützte Klassifikation am wichtigsten sind. Eine solche „Feature Selection“ ist eine gängige Methode, um den Input für künstliche neuronale Netze vorab zu verringern, damit auch kleinere Netze zuverlässig etwa Hunde von Katzen auf Bildern unterscheiden können. „Es gibt klassische Computeralgorithmen, die das in annehmbarer Zeit bewältigen“, sagt Piatkowski. „Ist das ursprüngliche Bild allerdings nur um ein einziges Pixel größer, verdoppelt sich die Anzahl der Möglichkeiten, aus der sie die beste Kombination aus
