Was ist hybrides Quantencomputing? Lassen Sie uns den Link zwischen Quantencomputern und klassischen Computern erforschen!

Seitdem die Idee des Quantencomputers in den 1980er Jahren geboren wurde, hat diese aufgrund des Versprechens, Rechenaufgaben bewältigen zu können, bei denen klassiche Computer bislang an ihre Grenzen stoßen, große Aufmerksamkeit auf sich gezogen. Vor allem im vergangenen Jahrzehnt wurden erhebliche wissenschaftliche Fortschritte gemacht, und Wissenschaftler*innen rund um den Forschungsbereich Quanteninformation konnten eine Reihe herausragender Ergebnisse erzielen, um diese Idee in die Realität umzusetzen. Heute stehen wir an der Spitze dieser Entwicklung und können bereits auch auf mehrere große Unternehmen sowie Start-ups blicken, die den Weg aus dem Forschungslabor hin zur Realisierung nützlicher Quantencomputersysteme für reale Anwendungsszenarien ebnen.Aber warum sind Quantencomputer interessant, und was können sie leisten? Wie könnte ein Quantencomputersystem aussehen, das in Produktion ist? Lesen Sie weiter, um die Antworten darauf zu erfahren.

FAQ – Häufig gestellte Fragen

F1: Wie funktioniert hybrides Quantencomputing?

Die Kernidee hinter hybridem Quantencomputing ist, dass Quantencomputer als Co-Prozessoren neben klassischen Systemen arbeiten, wobei beide Systeme Teile der auszuführenden Rechenlast übernehmen. Alternative Interpretationen des Begriffs können jedoch auf der Grundlage kontextueller Unterscheidungen variieren, einschließlich unterschiedlicher Systemarchitekturen und Arten von Aufgaben, die von den beteiligten Rechenressourcen übernommen werden. So sind Quantencomputer beispielsweise immer auf klassische Computer angewiesen, um physische Operationen des Quantencomputers zu steuern oder Remotezugriff zu ermöglichen. Einige Ansätze beziehen auch High-Performance-Computing-Systeme (HPC) mit ein, um Hilfsaufgaben wie Kompilierung, Fehlervermeidung und Datenvor- und Nachverarbeitung für Quantencomputer zu beschleunigen.

Q2: Was sind die Vorteile des hybriden Quantencomputers?

Quantencomputer werden nur bestimmte Teile eines Programms ausführen. Hybride Algorithmen ermöglichen die Aufteilung von Rechenaufgaben zwischen Quanten- und klassischen Rechenressourcen, um so jeweils die Stärken beider Maschinen zu nutzen. Während zahlreiche Quantenalgorithmen eine Fehlerkorrektur und umfängliche physikalische Ressourcen erfordern, sorgen jüngst entwickelte hybride Quantenalgorithmen, wie z.B. die Variational Quantum Algorithms (VQAs), dafür, dass bestimmte Aufgaben mit aktuell verfügbaren Quantentechnologien sinnvoll ausgeführt werden können.

F3: Was sind die Herausforderungen bei der Implementierung hybrider Algorithmen?

Die Implementierung hybrider Algorithmen birgt einige Herausforderungen in Bezug auf die Systemarchitektur, die Kompatibilität von Hard- und Software, Ressourcenmanagement und einiges mehr. Die Bewältigung dieser Herausforderungen erfordert innovative Ansätze, vom Hardware-Design bis zur Software- und Algorithmenentwicklung. Die Zusammenarbeit zwischen Wissenschaft, Industrie und staatlichen Behörden wird dabei eine entscheidende Rolle bei der Weiterentwicklung der hybriden Quantencomputertechnologie einnehmen.

Warum sind Quantencomputer interessant, und was können sie (besser)?

Zunächst einmal: Was ist ein Quantencomputer?

Quantencomputer versprechen höchste Rechenleistungen aufgrund ihrer natürlichen Fähigkeit, Quanteninformationen zu verarbeiten. Die Grundeinheit der Quanteninformation wird als Quantenbit (oder Qubit) bezeichnet und ist das Pendant zum klassischen Bit. Quantenbits werden physikalisch in einem zweistufigen Quantensystem kodiert, wie z.B. die Polarisation einzelner Photonen oder der Spin von Elektronen. Die Verwendung von Quantensystemen für die Informationsverarbeitung ermöglicht es, nicht-klassische Phänomene wie Superpositionszustände, Verschränkung und Interferenz zu nutzen, um Daten darzustellen und Berechnungen auszuführen.

Es gibt bereits zahlreiche Realisierungen kleiner bis mittelgroßer Quantenprozessoren mit einigen hundert bis tausend Qubits, die auf einer Vielzahl unterschiedlicher Hardware basieren – von atomaren und ionischen Systemen über supraleitende Qubits bis hin zu Festkörper- und optischen Plattformen[1, 2]. Darüber hinaus konnte in Experimenten mit supraleitenden Qubits sowie mit optischen Setups eine überlegene Rechenleistung im Vergleich zu führenden Supercomputern bei bestimmten Berechnungsaufgaben, z.B. beim Boson-Sampling, nachgewiesen werden[3, 4, 5]. Obwohl sich die physikalische Anzahl der Qubits in den letzten Jahren deutlich erhöht hat, ist das Skalierungspotenzial heutiger Quanten-Hardware noch immer durch die kurzen Kohärenzzeiten und limitierte Konnektivität der Qubits sowie anderer hardwarespezifischer Schwierigkeiten begrenzt. Diese Unzulänglichkeiten bringen ein Rauschen in die Berechnungen ein, das letztlich die wertvollen nicht-klassischen Eigenschaften zerstört und damit die physikalischen Grenzen der praktisch durchführbaren Quantenberechnungen aufzeigt.

Was können Quantencomputer (besser)?

Quantensysteme bieten ein neues Rechenparadigma, das sich grundlegend vom klassischen Rechnen unterscheidet. Die Theorie besagt, dass Quantenalgorithmen für bestimmte Probleme und bei großen Problemgrößen effizienter skalieren als alle derzeit bekannten klassischen Algorithmen [1]. Von Quantencomputern wird daher erwartet, dass sie einen Rechenvorteil für bestimmte Aufgaben bieten, die klassische Computer nicht (effizient) lösen können. Bekannte Beispiele sind Suchaufgaben, die Faktorisierung großer Zahlen und die Simulation von Molekulardynamik.

Darüber hinaus gibt es eine breite Palette möglicher Anwendungen, darunter die Simulation komplexer technischer Prozesse und chemischer Systeme für die Entwicklung neuer Materialien und Medikamente, die Optimierung von Routen und Lieferketten im Bereich Produktion und Logistik sowie die Bewertung von Versicherungsrisiken[6].

Fehlertolerante Quantencomputer mit einer Vielzahl logischer Qubits, die Industrien von der Automobil-, Fertigungs-, Chemie- und Pharmaproduktion bis hin zum Versicherungs- und Finanzwesen revolutionieren könnten, bleiben jedoch vorerst Theorie. Heutige Quantencomputer befinden sich noch in einem frühen Entwicklungsstadium und haben konnten noch keinen praktischen Vorteil bei der Lösung von realen Geschäfts- oder Industrieproblemen demonstrieren. Ebenso ist die derzeit verfügbare Quanten-Hardware verrauscht (noisy) und von mittlerem Maßstab (intermediate scale), was den Begriff der Noisy-Intermediate-Scale-Quantum-Ära (NISQ) prägt. Eine der Herausforderungen in naher Zukunft besteht darin, einige der derzeitigen Einschränkungen von Quantencomputern zu überwinden und aufzuheben.

Hybride Ansätze für das Quantencomputing

Einführung von Quantencomputing für klassische Systeme

Hybride Rechensysteme aus Quanten- sowie klassischen Systemen bieten interessante Möglichkeiten. Die Idee ist, dass Quantencomputer als Co-Prozessoren neben klassischen Systemen arbeiten. Klassische Standardcomputer werden bereits benötigt, um bspw. den physikalischen Betrieb von Quantengattern zu kontrollieren oder Remotezugriff auf die Maschine zu ermöglichen. In diesem Sinne wird ein Quantenprozessor immer mit einem klassischen Computer zusammenarbeiten, obwohl die gegenteilige Aussage nicht zutrifft. Andere Visionen setzen auf High-Performance-Computing-Systeme (HPC), um klassische Hilfsaufgaben wie Kompilierung, Fehlervermeidung, Fehlerkorrektur, Vorverarbeitung der Eingabedaten für den Quantencomputer sowie Nachbearbeitung und Analyse von Ergebnissen zu beschleunigen[7, 8]. Wissenschaft und Industrie konzentrieren sich auch auf die Entwicklung hybrider Algorithmen, welche die Rechenlast zwischen Quanten- und klassischen Rechenressourcen aufteilen und darauf abzielen, jede Rechenmaschine jeweils für das zu nutzen, wofür sie am besten geeignet ist[9, 10].

Auf der Grundlage der jüngsten Entwicklungen von NISQ-Geräten wird davon ausgegangen, dass ein erster Quantenvorteil für ein industriell relevantes Problem durch eine hybride Kombination von herkömmlichen HPC-Systemen mit einem Quantencomputer als Beschleuniger erreicht werden kann[7]. Wie die mögliche Architektur und das Design eines solchen Hybridsystems aussehen könnten, kann heute nur skizziert werden und ist ein aktuell intensiv untersuchter Forschungsbereich. Supercomputing-Zentren und Forschungsgruppen auf der ganzen Welt erforschen diesen HPC-integrierten Ansatz für Quantencomputing. Prominente Beispiele sind das Forschungszentrum Jülich, das Barcelona Supercomputing Center, CINECA, das Oak Ridge National Laboratory, das Pawsey Supercomputing Centre und viele andere.

Quantum-Classical-Synergy in Aktion

Viele bis dato entwickelte Quantenalgorithmen erfordern Fehlerkorrektur und benötigen weitaus mehr Ressourcen, als die heutige NISQ-Technologie bereitstellen kann, was deren Nützlichkeit in naher Zukunft noch einschränkt. Variational Quantum Algorithms (VQAs) sind jedoch eine Klasse von hybriden Algorithmen, die großes Potenzial aufweisen und sich besonders für die Verwendung mit NISQ-Geräten eignen[9]. Sie basieren auf einer Schleife, in welcher der Quanten-Teil der Berechnung aus parametrisierten Quantengattern besteht, deren Parameter mithilfe eines klassischen Optimierungsalgorithmus trainiert und aktualisiert werden. Während der Algorithmus iteriert, werden dem Quantenprozessor und dem klassischen Computer Rechenaufgaben zugewiesen. VQAs wurden in verschiedenen Proof-of-Concept-Implementierungen demonstriert, z.B. mit photonischen[12] und ionischen Systemen[13]. Sie bieten auch einen realistischen Ansatz, um die Fähigkeiten von Hybridsystemen in naher Zukunft bestmöglich auszuschöpfen, da sie in konventionellen HPC-Anwendungen wie Chemiesimulationen, maschinellem Lernen und Optimierungsproblemen eingesetzt werden können[9, 11].

Praktische Anwendungen in verschiedenen Branchen

Quantencomputing findet in den unterschiedlichsten Branchen Anwendung. Nachfolgend finden Sie einige Beispiele für aktuelle Kooperationen für verschiedene Use Cases:

Quantum Mobility Quest von Airbus und BMW Group

Airbus und die BMW Group haben kürzlich gemeinsam das Quantum Mobility Quest ins Leben gerufen: eine innovative Initiative, die den Transportsektor durch Quantencomputing revolutionieren will. Diese globale Herausforderung konzentriert sich auf die Nutzung von Quantentechnologien zur Lösung wichtiger Probleme in der Luftfahrt- und Automobilindustrie. Die Teilnehmer sind eingeladen, eine von fünf Problemstellungen zu bearbeiten. Das Gewinnerteam wird bis Ende des Jahres bekannt gegeben.

Airbus:

In Zusammenarbeit mit der BMW Group und Quantinuum arbeitet Airbus daran, die Sauerstoffreduktionsreaktion auf der Oberfläche eines platinbasierten Katalysators mit Hilfe von Quantencomputern zu simulieren. Diese Reaktion ist entscheidend für die Umwandlung von Wasserstoff und Sauerstoff in einer Brennstoffzelle zu Wasser und Strom. Diesen Prozess besser zu verstehen, ist wichtig für die Entwicklung alternativer Materialien, die wiederum die Leistung von Brennstoffzellen verbessern und die Produktionskosten senken können. Derartige Innovationen in der Brennstofzellentwicklung sind entscheidend für nachhaltige Wasserstoff-Antriebe in der Luftfahrt.

Thales Gruppe:

Die Thales-Gruppe hat in Zusammenarbeit mit Terra Quantum hybrides Quantencomputing zur verbesserten Planung von Satellitenmissionen eingesetzt. Sie haben gezeigt, dass es möglich ist, den operativen Nutzen von Satelliten mit Hilfe eines hybriden, quantengestützten Reinforcement Learning-Ansatzes zu verbessern. Nach Angaben von The Quantum Insider schätzen Terra Quantum und die Thales Group, dass ihr Modell ein Wertschöpfungspotenzial von ungefähr 22.500 Euro pro Satellit und Tag generieren könnte.

Ausblick und weitere Informationen

Die Entwicklungen im Bereich des (hybriden) Quantencomputings schreiten schnell voran, angetrieben von der akademischen Forschung und den Fortschritten der Industrie. Obwohl das Potenzial für transformative Anwendungen immens ist, ist es wichtig, die Technologie ausgewogen zu bewerten, um den Hype nicht zu befeuern. Wir glauben, dass der Zugang zu Quantencomputer-Ressourcen entscheidend ist, um realistische Erwartungen in bestimmten Branchen zu wecken. Deshalb baut QMware eine Cloud-Plattform auf, die den heterogenen Einsatz von emulierten und physischen QPUs aus dem gesamten Technologiespektrum unterstützt und es unseren Kunden ermöglicht, die Quantenbeschleunigung für ihre Arbeitsabläufe zu nutzen und die Produktionsbereitschaft zu erreichen.

Es bedarf gemeinsamer Anstrengungen, um das Versprechen des Quantencomputings zu verwirklichen. Aus diesem Grund ist QMware Teil von Projekten wie Quantum Ready und Quantum Connect in Österreich sowie der deutschen SeQuenC-Initiative unter der Leitung von IONOS und mit Unterstützung von PlanQK, Fraunhofer Fokus und der Universität Stuttgart. Ziel ist es, KMUs und der Industrie gleichermaßen Zugang zu Ressourcen für klassisches und Quantencomputing zu verschaffen.

Für ein tiefgehenderes Verständnis des aktuellen Stands und der Zukunftsaussichten in diesem Bereich empfehlen wir die neueste Ausgabe des State of Quantum Report 2024, der von Lakestar in Zusammenarbeit mit IQM, Open Ocean und The Quantum Insider veröffentlicht wurde.

Sind Sie neugierig, was hybrides Quantencomputing für Ihr Unternehmen zu bieten hat? Entdecken Sie, wie die Lösungen von QMware Ihre Computerkapazitäten neu definieren können!

References

[1] Nielsen, Michael A., and Isaac L. Chuang. 2012. “Quantum Computation and Quantum Information.” Cambridge University Press. https://doi.org/10.1017/cbo9780511976667.

[2] Castelvecchi, Davide. 2023. “IBM Releases First-Ever 1,000-Qubit Quantum Chip.” Nature. Springer Science and Business Media LLC. https://doi.org/10.1038/d41586-023-03854-1.

[3] Arute, Frank, Kunal Arya, Ryan Babbush, Dave Bacon, Joseph C. Bardin, Rami Barends, Rupak Biswas, et al. 2019. “Quantum Supremacy Using a Programmable Superconducting Processor.” Nature. Springer Science and Business Media LLC. https://doi.org/10.1038/s41586-019-1666-5.

[4] Zhong, Han-Sen, Hui Wang, Yu-Hao Deng, Ming-Cheng Chen, Li-Chao Peng, Yi-Han Luo, Jian Qin, et al. 2020. “Quantum Computational Advantage Using Photons.” Science. American Association for the Advancement of Science (AAAS). https://doi.org/10.1126/science.abe8770.

[5] Madsen, Lars S., Fabian Laudenbach, Mohsen Falamarzi. Askarani, Fabien Rortais, Trevor Vincent, Jacob F. F. Bulmer, Filippo M. Miatto, et al. 2022. “Quantum Computational Advantage with a Programmable Photonic Processor.” Nature. Springer Science and Business Media LLC. https://doi.org/10.1038/s41586-022-04725-x.

[6] Andreas Bayerstadler, Guillaume Becquin, Julia Binder, Thierry Botter, Hans Ehm, Thomas Ehmer, et al. 2021. “Industry Quantum Computing Applications.” EPJ Quantum Technology. Springer Science and Business Media LLC. https://doi.org/10.1140/epjqt/s40507-021-00114-x.

[7] Bertels, K., A. Sarkar, A. Krol, R. Budhrani, J. Samadi, E. Geoffroy, J. Matos, R. Abreu, G. Gielen, and I. Ashraf. 2021. “Quantum Accelerator Stack: A Research Roadmap.” arXiv. https://doi.org/10.48550/ARXIV.2102.02035.

[8] Perelshtein, Michael, Asel Sagingalieva, Karan Pinto, Vishal Shete, Alexey Pakhomchik, Artem Melnikov, Florian Neukart, Georg Gesek, Alexey Melnikov, and Valerii Vinokur. 2022. “Practical Application-Specific Advantage through Hybrid Quantum Computing.” arXiv. https://doi.org/10.48550/ARXIV.2205.04858.

[9] Cerezo, M., Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, et al. 2021. “Variational Quantum Algorithms.” Nature Reviews Physics. Springer Science and Business Media LLC. https://doi.org/10.1038/s42254-021-00348-9.

[10] Weigold, Manuela, Johanna Barzen, Frank Leymann, and Daniel Vietz. 2021. “Patterns for Hybrid Quantum Algorithms.” Service-Oriented Computing. Springer International Publishing. https://doi.org/10.1007/978-3-030-87568-8_2.

[11] Cranganore, Sandeep Suresh, Vincenzo De Maio, Ivona Brandic, Tu Mai Anh Do, and Ewa Deelman. 2022. “Molecular Dynamics Workflow Decomposition for Hybrid Classic/Quantum Systems.” 2022 IEEE 18th International Conference on E-Science (e-Science). IEEE. https://doi.org/10.1109/escience55777.2022.00048.

[12] Peruzzo, Alberto, Jarrod McClean, Peter Shadbolt, Man-Hong Yung, Xiao-Qi Zhou, Peter J. Love, Alán Aspuru-Guzik, and Jeremy L. O’Brien. 2014. “A Variational Eigenvalue Solver on a Photonic Quantum Processor.” Nature Communications. Springer Science and Business Media LLC. https://doi.org/10.1038/ncomms5213.

[13] Hempel, Cornelius, Christine Maier, Jonathan Romero, Jarrod McClean, Thomas Monz, Heng Shen, Petar Jurcevic, et al. 2018. “Quantum Chemistry Calculations on a Trapped-Ion Quantum Simulator.” Physical Review X. American Physical Society (APS). https://doi.org/10.1103/physrevx.8.031022.