Benchmarking für Quanten-KI: »QUANT²AI« macht Quantencomputer-Anwendungen vergleichbar

Modulares Framework für Forschung und Anwendung

Das Framework gliedert eine Pipeline in fünf zentrale Module:

• Datenladen: Das Modul liest einen Datensatz ein und teilt ihn in Trainings-, Validierungs- und Testdaten.
• Vorverarbeitung: Es bereitet die Daten für das jeweilige Modell auf und reduziert beispielsweise ihre Komplexität.
• Modellkern: Hier trainiert das Framework ein klassisches, quantenbasiertes oder hybrides Modell.
• Nachverarbeitung: Das Modul überführt die Ergebnisse wieder in eine Form, die sich für die ursprünglichen Daten interpretieren lässt.
• Auswertung: Es berechnet Kennzahlen und macht die Leistung der Pipeline messbar.

Forschende können diese Module flexibel kombinieren, austauschen oder um eigene Komponenten ergänzen. Eine interne Prüfung erkennt unpassende Kombinationen frühzeitig. So verhindert das Framework beispielsweise, dass eine Pipeline für Bilddaten versehentlich tabellarische Daten verarbeitet. Dieser modulare Aufbau erleichtert es, neue Algorithmen, Datensätze, Quantencomputer oder Bewertungsmetriken einzubinden.

Von Anomalieerkennung bis Bildklassifikation

Für mehrere typische Aufgaben des Maschinellen Lernens stehen bereits Referenz-Pipelines bereit. Dazu gehören Anomalieerkennung, Clustering, Regression sowie die Klassifikation und Segmentierung von Bildern. Die zugehörigen Datensätze reichen von etablierten Beispielen wie »Iris« und »MNIST« bis zu realen industriellen Anwendungen.

Ein Anwendungsbeispiel ist die automatische Erkennung feiner Risse auf Betonoberflächen. Dafür setzen wir eine hybride Pipeline ein, die ein klassisches neuronales Netz mit einem Quantenschaltkreis verbindet. Das klassische Netz erkennt relevante Merkmale in den Bildern. Ein Quantenschaltkreis übernimmt anschließend einen Teil der Auswertung.

Klassische und quantenbasierte KI im direkten Vergleich

Für den Benchmark haben wir eine klassische und eine hybride Quantenvariante des Modells auf einem Hochleistungsrechner getestet. Dabei wird der Datensatz mehrfach unterschiedlich in Trainings- und Testdaten aufgeteilt. So lässt sich besser beurteilen, wie stabil ein Modell arbeitet und wie gut es unbekannte Daten verarbeitet.

Das hybride Quantenmodell erzielte bei Genauigkeit und F1-Wert leicht höhere Werte als die untersuchten klassischen Varianten. Der F1-Wert fasst Präzision und Trefferquote in einer gemeinsamen Kennzahl zusammen. Zugleich verursachte die simulierte Quantenschaltung einen höheren Rechenaufwand. Das Beispiel zeigt daher sowohl das Potenzial hybrider Ansätze als auch die Bedeutung eines transparenten Vergleichs: Gute Ergebnisse allein reichen nicht aus. Auch Rechenzeit, Ressourcenbedarf, Stabilität und die eingesetzte Hardware müssen in die Bewertung einfließen.

Quantenhardware verschiedener Anbieter einbinden

»QUANT²AI« kann Experimente auf Quantensimulatoren und realer Quantenhardware ausführen. Ein eigenes Verbindungsmodul überträgt die Quantenschaltungen an das jeweilige System und verarbeitet dessen Ergebnisse. Dafür nutzt das Framework unter anderem OpenQASM, ein verbreitetes Format zur Beschreibung von Quantenschaltungen.

Bislang stehen Schnittstellen zu Backends von IBM, IQM und AQT zur Verfügung. Weitere Systeme lassen sich ergänzen. Das Framework erfasst dabei auch quantenspezifische Kennzahlen, etwa die Zahl der verwendeten Qubits oder die Tiefe der Quantenschaltung. Qubits sind die grundlegenden Informationseinheiten eines Quantencomputers. Die Schaltungstiefe gibt vereinfacht an, wie viele aufeinanderfolgende Rechenschritte eine Quantenschaltung enthält.

Komplexe Benchmarks erzeugen viele Varianten einer Pipeline und benötigen entsprechend viel Rechenleistung. Deshalb bindet »QUANT²AI«-Hochleistungsrechner, also High Performance Computing mit ein. Eine Python-Schnittstelle erstellt automatisch die notwendigen Skripte und übergibt die Rechenaufträge an das Clustersystem. Anwender:innen müssen daher nicht alle technischen Abläufe des Hochleistungsrechners selbst steuern. »QUANT²AI« richtet die benötigte Softwareumgebung ein, führt die Pipeline aus und speichert Ergebnisse sowie Protokolldaten eindeutig und nachvollziehbar.

Ergebnisse interaktiv auswerten

Ein browserbasiertes Dashboard bereitet die Resultate der Benchmarks übersichtlich auf. Es führt klassische Kennzahlen des Maschinellen Lernens mit Informationen aus Simulatoren und Quantencomputern zusammen. Nutzer:innen können Experimente filtern, Modelle vergleichen und Zusammenhänge zwischen verschiedenen Parametern untersuchen.

So lässt sich beispielsweise analysieren, wie sich die Genauigkeit eines Modells mit der Zahl der Qubits verändert. Auch Verteilungen, Ausreißer und Unterschiede zwischen mehreren Modellvarianten werden sichtbar. Da das Dashboard seine Daten flexibel aus einer Datenbank bezieht, lassen sich neue Datensätze, Modelle und Kennzahlen ergänzen, ohne die Benutzeroberfläche grundlegend zu überarbeiten.

Von der Forschung in industrielle Anwendungen

Von »QUANT²AI« profitieren sowohl Forschende als auch Unternehmen. Wissenschaftler:innen können neue Algorithmen und einzelne Komponenten unter standardisierten Bedingungen testen. Anwender:innen erhalten eine fundierte Grundlage, um geeignete Verfahren für konkrete Aufgaben auszuwählen und den möglichen Nutzen von Quanten-KI realistisch einzuschätzen.

Das Framework trägt damit dazu bei, nachweisbare Fortschritte von überhöhten Erwartungen zu unterscheiden. Zugleich erleichtert es den Transfer in industrielle Anwendungen: Neue Datensätze, Pipeline-Schritte, KI-Modelle, Quantencomputer und Bewertungskennzahlen lassen sich mit wenig Aufwand integrieren. »QUANT²AI« schafft so eine gemeinsame Grundlage, auf der Forschung und Industrie Quanten-KI nachvollziehbar prüfen und gezielt weiterentwickeln können.

Projektförderung und -laufzeit

Das Projekt »QUANT²AI« ist Teil der DLR Quantencomputing-Initiative und wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert. Die Projektlaufzeit erstreckt sich vom 1. November 2022 bis zum 30. Juni 2026.