Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWMWann bringt Quantencomputing einen echten Vorteil für industrielle Anwendungen und wann sind klassische Verfahren die bessere Wahl? Mit »QUALLE« entwickeln wir am Fraunhofer ITWM eine agentenbasierte Benchmarking-Plattform, die das systematisch untersucht. Unternehmen bringen ihren bestehenden Workflow mit, QUALLE vergleicht geeignete klassische, quanteninspirierte und hybride quanten-klassische Verfahren und zeigt, welcher Ansatz für die jeweilige Aufgabe am besten geeignet ist.
Keyvisual »QUALLE«: QUantum Advantage? Let's Look Empirically
»QUALLE« vergleicht klassische, quanteninspirierte und Quantenverfahren für konkrete industrielle Anwendungen und zeigt, welcher Ansatz unter realistischen Bedingungen überzeugt.
© magnific
Quantencomputing für industrielle Anwendungen: Vom industriellen Workflow zum Quanten-Fit
»QUALLE«: QUantum Advantage? Let's Look Empirically
Die zentrale Idee steckt bereits im Namen »QUantum Advantage? Let's Look Empirically«.: Statt einen Quantenvorteil vorauszusetzen, wollen wir ihn empirisch untersuchen und messbar machen.
Der eigene Workflow wird zur Referenz
Ausgangspunkt ist immer eine konkrete Herausforderung aus der Praxis, zum Beispiel eine Qualitätsprüfung, eine Optimierung oder eine Simulation. Der bestehende industrielle Workflow dient dabei als Referenz. An ihm müssen sich alle alternativen Verfahren messen lassen.
Ein KI-Agent überträgt den Workflow auf die Hochleistungsrechner des Fraunhofer ITWM und schlägt aus einer wachsenden Bibliothek geeignete Verfahren vor. Nach der Freigabe – durch einen Menschen – führt er die Vergleiche auf denselben Daten und unter identischen Bedingungen durch. Dabei nutzt er jeweils die passende Hardware, von CPU- und GPU-Systemen über Quantensimulatoren bis hin zu Quantencomputern.
Am Ende zeigt »QUALLE« nicht nur, welches Verfahren am besten abschneidet. Die Plattform macht auch sichtbar, welche Ergebnisqualität, Laufzeit und Kosten damit verbunden sind und warum sich ein bestimmter Ansatz für die jeweilige Aufgabe eignet.
So entsteht ein belastbarer Weg von heutigen industriellen Workflows hin zum Quantencomputing. Unternehmen können erkennen, wo Quantenverfahren bereits einen konkreten Mehrwert bieten und wo klassische Lösungen weiterhin im Vorteil sind.
Entscheidend ist die gesamte Anwendung
Unsere Forschung zeigt: Ob sich ein Quantenverfahren lohnt, lässt sich nicht anhand eines einzelnen Algorithmus beurteilen. Entscheidend ist die gesamte Anwendung. Datenaufbereitung, Kodierung, Training und Auswertung beeinflussen das Ergebnis ebenso wie der eigentliche Quantenteil.
»QUALLE« betrachtet deshalb den vollständigen Workflow. So lassen sich unterschiedliche technologische Ansätze unter realistischen Bedingungen miteinander vergleichen.
Was Unternehmen mit »QUALLE« gewinnen
Das passende Verfahren für den jeweiligen Workflow: Unternehmen erhalten keine allgemeine Aussage darüber, ob Quantencomputing »besser« ist. Stattdessen vergleichen wir klassische, quanteninspirierte und Quantenverfahren anhand der konkreten Aufgabe, der vorhandenen Daten und der verfügbaren Infrastruktur. Sie erhalten Anhaltspunkte, wie sie die Prozesse optimieren können.
Niedrige Einstiegshürde: Anwenderinnen und Anwender benötigen weder vertiefte Kenntnisse im Quantencomputing noch im Hochleistungsrechnen. Der Agent überträgt den Workflow, schlägt geeignete Verfahren vor, plant die Berechnungen und bereitet die Ergebnisse verständlich auf.
Quantenvorteil statt Hype: Quantenverfahren treten unter vergleichbaren Bedingungen gegen leistungsfähige klassische Methoden an. Erst dieser direkte Vergleich zeigt, ob und unter welchen Voraussetzungen tatsächlich ein Vorteil entsteht.
Passende Hardware für jede Aufgabe: QUALLE kann dieselbe Untersuchung auf unterschiedlichen Zielsystemen ausführen. Dadurch wird sichtbar, wie sich Ergebnisqualität, Laufzeit und Kosten auf CPU, GPU, Simulator und Quantenhardware unterscheiden. Quantencomputer verschiedener Hersteller lassen sich über eine gemeinsame Schnittstelle anbinden.
Nachvollziehbare Ergebnisse: Datenstand, Parameter, Softwareumgebung und eingesetzte Hardware werden für jeden Lauf dokumentiert. Gleichzeitig lässt sich steuern, wie viel Rechenzeit zur Verfügung steht und ob externe KI-Modelle auf Projektdaten zugreifen dürfen.
Wenn KI-Agenten neue Quantenverfahren entwickeln
Die Agenten können nicht nur vorhandene Verfahren vergleichen, sondern auch den Quantenteil eines Verfahrens selbst gestalten. Bei einem hybriden Klassifikator kann der Agent beispielsweise einen Quantenschaltkreis entwerfen, testen und anhand der Ergebnisse weiterentwickeln. Dabei kann er auch andere Entwürfe berücksichtigen oder einen Schaltkreis aus einer wissenschaftlichen Veröffentlichung übernehmen und untersuchen, ob sich die publizierten Ergebnisse reproduzieren lassen.
Jeder neue Entwurf muss sich anschließend denselben Prüfungen stellen wie bestehende Verfahren. »QUALLE« vergleicht den Quantenschaltkreis dazu unter anderem mit Varianten ohne Verschränkung, mit zufälligen statt trainierten Parametern oder mit einer vergleichbar großen klassischen Schicht. Auf diese Weise lässt sich überprüfen, ob tatsächlich der Quantenteil zum Ergebnis beiträgt.
Unter klar definierten Sicherheitsbedingungen können Agenten außerdem eigenen Programmcode erstellen und ihre Entwürfe selbstständig einsetzen. Der Code läuft isoliert, ohne Netzzugang, in geprüften Softwareumgebungen und innerhalb eines vorab festgelegten Rechenbudgets. Jeder Entwurf wird nachvollziehbar mit seinem Ursprung und dem jeweiligen Auftrag dokumentiert.
Mehrere Agenten können dieselbe Aufgabe auch gemeinsam bearbeiten. Dabei verfolgt jeder Agent einen eigenen Lösungsweg. Alle arbeiten mit derselben Aufgabenstellung, derselben Auswertung und einem festgelegten Rechenbudget. »QUALLE« vergleicht anschließend die Ergebnisse und kann besonders erfolgreiche Ansätze zusammenführen.
Praxisbeispiel: Schweißnähte automatisiert prüfen
Wie das in der Praxis aussehen kann, zeigt die Qualitätskontrolle von Aluminiumschweißnähten, die im Wolfram-Inertgas-Verfahren (WIG) gefertigt wurden. Kamerabilder der Schweißnähte werden dabei sechs Klassen zugeordnet: einer fehlerfreien Naht und fünf verschiedenen Fehlerarten.
Ein klassisches Verfahren beschreibt jedes Bild zunächst anhand von 2.268 Merkmalen und ordnet es anschließend mithilfe einer Support-Vector-Maschine einer der sechs Klassen zu. Damit die Qualitätsprüfung direkt an der Fertigungslinie möglichst schnell erfolgen kann, soll jedoch eine deutlich kleinere Auswahl dieser Merkmale ausreichen.
Die Suche nach den besten Merkmalen ist ein sogenanntes kombinatorisches Optimierungsproblem: Aus sehr vielen möglichen Kombinationen gilt es, diejenige zu finden, die für die Bilderkennung besonders aussagekräftig ist. »QUALLE« übersetzt diese Aufgabe in ein QUBO-Modell (Quadratic Unconstrained Binary Optimization), eine mathematische Formulierung, die sich mit unterschiedlichen klassischen und Quantenverfahren bearbeiten lässt.
Case Study: Weld Inspection: »QUALLE« is investigating various methods for reliably detecting defects in aluminum welds produced using the tungsten inert gas (TIG) process.
Anschließend treten verschiedene Lösungsansätze gegeneinander an. Dazu gehören die klassische Tabu-Suche, quanteninspirierte Verfahren wie simuliertes Quanten-Annealing und simulierte Bifurkation auf Grafikprozessoren sowie QAOA (Quantum Approximate Optimization Algorithm), ein Algorithmus für Quantencomputer. Alle Verfahren arbeiten mit denselben Ausgangsdaten. Die jeweils ausgewählten Merkmale werden anschließend im Klassifikator getestet. So lässt sich direkt vergleichen, welcher Ansatz unter den jeweiligen Bedingungen die besten Ergebnisse erzielt.
Das Ergebnis zeigt zugleich, warum ein solcher technologieoffener Vergleich wichtig ist: Die Auswahl weniger geeigneter Merkmale kann den klassischen Prüfprozess beschleunigen. Bei der Erkennung der Fehler erzielt in diesem Beispiel jedoch ein neuronales Netz auf einer GPU die besseren Ergebnisse.
Hier zeigt sich die Stärke von »QUALLE«: Die Plattform setzt einen Quantenvorteil nicht voraus, sondern macht messbar, welches Verfahren für eine konkrete Aufgabe und die verfügbare Hardware am besten geeignet ist. So entsteht eine nachvollziehbare und reproduzierbare Entscheidungsgrundlage für den Einsatz klassischer, quanteninspirierter und Quantenverfahren.
Vergleichbare Ergebnisse auf unterschiedlicher Hardware
Damit die Ergebnisse aussagekräftig bleiben, dokumentiert »QUALLE« für jeden Lauf unter anderem die Version der Pipeline, die Einstellungen der einzelnen Module, den Datenstand, die Softwareumgebung und die verwendeten Rechenressourcen. Nur Berechnungen unter vergleichbaren Bedingungen werden gemeinsam ausgewertet. Wiederholte Läufe mit unterschiedlichen Zufallswerten fließen statistisch in die Bewertung ein.
Die Plattform ist modular aufgebaut. Ein Workflow besteht aus austauschbaren Bausteinen, deren Zusammenspiel »QUALLE« vor dem Start überprüft. Neue Methoden, Quanten-Backends, Simulatoren oder weitere Hardware lassen sich dadurch vergleichsweise einfach integrieren.
Aktuell stehen mehr als 80 Module zur Verfügung. Sie decken unter anderem Klassifikation und Regression mit klassischem Maschinellem Lernen, neuronalen Netzen, hybriden Quantenschaltkreisen, Quanten-Kernelmethoden und Tensornetzwerken sowie Datenaufbereitung, Optimierung und Quantenfehlerkorrektur ab.
Für die Berechnungen nutzt die Plattform jeweils die geeigneten Ressourcen, von einzelnen Prozessorkernen über Grafikprozessoren und mehrere Rechenknoten bis zu Quantensimulatoren und Quantencomputern verschiedener Hersteller. Eine browserbasierte Oberfläche macht Pipelines, Berechnungen und Vergleiche sichtbar. Rollen und Rechte regeln, wer innerhalb eines Projekts Daten einsehen, Änderungen vornehmen oder Berechnungen starten darf.
Quantenverfahren objektiv bewerten und Forschung beschleunigen
Auch für die Forschung schafft »QUALLE« eine gemeinsame Vergleichsbasis. Forschende können neue Verfahren als Module integrieren oder neue Quantenschaltkreise in bestehende Verfahren einsetzen. Anschließend lassen sie sich unter identischen Bedingungen mit etablierten Alternativen vergleichen. Auch Ergebnisse aus wissenschaftlichen Veröffentlichungen können so reproduziert und unmittelbar den eigenen Ansätzen gegenübergestellt werden.
Damit hilft »QUALLE«, nachweisbare Fortschritte von überhöhten Erwartungen zu unterscheiden. Gleichzeitig wird messbar, welche Schritte notwendig sind, damit aus einem vielversprechenden Quantenalgorithmus eine Lösung für die industrielle Praxis werden kann.