KI für Quantencomputing in der Industrie Q-GeneSys: Quantencomputing für industrielle Anwendungen

Anbieter zum Thema

Fraunhofer-Institut für Integrierte Schaltungen IIS

Althen GmbH Mess- und Sensortechnik

CADFEM Germany GmbH

UberCloud

Im Rahmen des Projekts Q-GeneSys entwickeln Fraunhofer IIS-Experten Methoden, um das Potenzial von Quantencomputing für industrielle Simulationen zu nutzen.

Das enorme Technologiepotenzial, das in Quantencomputer-Systemen steckt, für die Praxis zu nutzen – dazu arbeiten im Verbundprojekt „Q-GeneSys – Quantengenerative Modelle für industrielle Simulationssysteme“ die Expertinnen und Experten des Fraunhofer-Instituts für Integrierte Schaltungen IIS, der IQM Germany GmbH, der Ostbayerischen Technischen Hochschule OTH Regensburg und der Siemens AG zusammen. Die neuen Erkenntnisse sollen dann für hochkomplexe industrielle Anwendungen Verwendung finden, etwa für die Erstellung komplizierter 3D-Designs, das Design neuer Moleküle oder anderer chemischer Produkte.
Ziel des Q-GeneSys-Projekts ist die Überlegenheit – Supremacy im Fachjargon genannt – von Quantencomputern für den praktischen Einsatz in der Industrie nutzbar zu machen. Damit sind neuartige Modellierungs- und Evaluierungsmethoden für ein breites Spektrum von Industrieanwendungen möglich. Sie reichen von der Erstellung neuer Molekülstrukturen für Chemie, Pharmazie und Medizin, über die industriellen Prozessoptimierung bis zur Automatisierung. Das Projekt ist auf drei Jahre angelegt und beschäftigt sich auch mit Optimierungen von Energieverteilung für das Netzmanagement in Smart Grids und der Steuerung der Gebäudeautomation.

Die Expertinnen und Experten des Fraunhofer IIS erweitern die klassisch erzeugten quantengenerative Modelle, um notwendige Strategien für frühzeitige Fehlertoleranz und -korrektur anbieten zu können. 

Quantencomputing und generatives Lernen verbinden

Das Bundesministerium für Forschung, Technologie und Raumfahrt BMFTR fördert dieses Vorhaben im Programm Quantensysteme „Anwendungsorientierter Quanteninformatik“, um Quantencomputing und generatives Lernen zu verbinden und für effizientere, neue Produktentwicklungen nutzbar zu machen.
Die Lücke zwischen klassischen Rechnern und Supercomputern und den Möglichkeiten von effizientem Quantencomputing nun zu schließen, haben sich die Konsortialpartner von Q-GeneSys auf die die Fahne geschrieben. Mit ihrem Ansatz versuchen sie Quantenberechnungen zu beschleunigen und so beispielsweise Konstruktionsentwürfe nach Kriterien wie Gewichtsreduzierung, Materialeffizienz, Kostenminimierung und Leistungssteigerung mit hoher Einsparung von Zeit- und Kostenressourcen zu optimieren.

High-Performance Computing

Altair hat HPCWorks 2026 für KI-Workloads optimiert

Q-GeneSys verbindet Quantencomputing und generatives Lernen

Vorteile, die sich aus den physikalischen Eigenschaften von Quanten ergeben, wie beispielsweise eine Parallelität in der Verarbeitung (Superposition) oder beispielsweise durch die Verschränkungen (Entanglement), werden gezielt mit Lösungsansätzen aus dem generativen Lernen verbunden. Beim generativen Lernen versucht man, durch Anreicherung von Informationen und geeignete Verknüpfung vorhandener Daten neue, angepasste Lösungen für Optimierungs- und Simulationsprozesse zu erzielen. Bisher wurde dies über hohen Rechenaufwand mit klassischen Rechnern so genannter Super-Computer realisiert. Dies bedeutete trotz des hohen Aufwands jedoch keine ausreichende Beschleunigung bei der Berechnung hochdimensionaler Wahrscheinlichkeitsverteilungen, wie sie für praxisrelevante Szenarien in Industrie- und Wirtschaftsprozessen vorliegen.

Neue Evaluierungsmethoden und bessere Prognosen

Unter Federführung der Siemens AG stellten die Forschenden geeignete Datensätze aus der Industrie zusammen, bewerten und evaluieren sie dann im Praxistest. Die Firma IQM wird quantengenerative Modelle erstellen, die klassisch trainierbar sind und sich für die Erstellung von Stichproben eignen.

Frühzeitige Fehlertoleranz und -korrektur durch KI und den Einsatz von Quantencomputern 

Die Expertinnen und Experten des Fraunhofer IIS erweitern diese klassisch erzeugten quantengenerative Modelle, um notwendige Strategien für frühzeitige Fehlertoleranz und -korrektur anbieten zu können. Hierbei nutzen sie vorrangig Methoden der künstlichen Intelligenz, um Fehlerkorrekturverfahren zu entwickeln und anzupassen, und diese dadurch so effizient wie möglich zu gestalten. So können die Vorteile, die Quantencomputing bietet, auch auf eher fehlerbehaftet arbeitender Hardware dennoch genutzt werden.Die OTH Regensburg beschäftigt sich mit den notwendigen Methoden zum Training und dem adäquaten Erstellen von Stichproben, die sich für die Beantwortung der Problemstellung besonders eignen. So können im Projekt effiziente Schätzverfahren für die entsprechend trainingsrelevanten Größen und für eine fehlerresistentes Stichproben-Sampling-Verfahren erstellt werden.