Abbildung: Tensornetzwerke für klassische und Quanten-KI
Tensornetzwerke liefern eine KI-Architektur, die sich sowohl auf klassischen Computern als auch auf Quantencomputern einsetzen lässt. Dies macht die Vorgehensweise sehr flexibel, sodass auch hybride quanten-klassische Systeme möglich sind. Durch die Wahl geeigneter Bauweisen lassen sich die Algorithmen auf den aktuellen kleinen verrauschten Quantencomputern umsetzen.
Die Fähigkeiten von Quantencomputern versprechen einen Paradigmenwechsel für extrem rechenintensive Anwendungen wie Optimierungsprobleme, die Simulation von Quantensystemen und Künstliche Intelligenz (KI). Ein besonders vielversprechender Ansatz aus dem Bereich der KI ist die Auswertung von Quantenzuständen durch Quanten-KIs, da hierbei kein Informationsverlust beim Übergang auf ein klassisches System durch eine Messung stattfinden muss. Im Projekt „Quantum Tensor Networks for Quantum Simulations and Artificial Intelligence“ (QuTeNet) untersuchen wir hierfür eine spezielle Architektur von Quantenalgorithmen basierend auf Tensornetzwerken, einer effizienten Darstellung von Quantenzuständen. Unter Leitung des Instituts für KI-Sicherheit untersuchen wir zusammen mit den Instituten für Quantentechnologie und für Softwaretechnologie, ob sich Quantensimulationen und quantenmaschinelles Lernen koppeln lassen und entwickeln existierende Methoden für klassische und Quantencomputer weiter.
Tensornetze sind ein idealer Kandidat für hybride Anwendungen
Quantencomputer ermöglichen bereits heute Simulationen von Quantensystemen in kleinem Maßstab. Für die Entwicklung zukünftiger Quantentechnologien sind jedoch komplexere Simulationen nötig, die neue Methoden auf der der QC-Hardware erforderlich machen. Beide Aspekte des Projekts QuTeNet – Simulationen und Künstliche Intelligenz (KI) – nutzen Tensornetzwerke, eine Methode komplexe (Quanten-)Zustände als Netzwerk kleinerer Tensoren darzustellen. Auch Strukturen maschinellen Lernens können in dieser äußerst effizienten Struktur dargestellt werden.
Aktuell sind Aufgabenstellungen für Quanten-KIs vor allem im Bereich klassischer Daten zu finden. Die hierfür nötige Codierung auf einem Quantencomputer ist allerdings häufig so ineffizient, dass im Gesamtalgorithmus keine Quantenvorteile realisierbar sind. Auf der anderen Seite gehen am Ende einer Quantensimulation durch den Messprozess unweigerlich Informationen verloren, die in den Quantenzuständen enthalten sind. Die Kombination von Quantensimulation und Quanten-KI direkt auf dem Quantencomputer umgeht den Schritt über die klassische Welt – und damit beide Probleme.
Wir entwickeln zudem Bewertungsansätze und Umsetzungen für beide Anwendungen von Tensornetzwerken. Durch den Vergleich von klassischen und Quantenansätzen lassen sich Unterschiede und Gemeinsamkeiten aufzeigen und deren Fähigkeitsbereiche abgrenzen. Damit zeigen wir Perspektiven für den anwendungsorientierten industriellen und akademischen Einsatz auf, inklusive der Skalierung für leistungsfähigere Quantenhardware.
Beitrag Institut für KI-Sicherheit
Unser Institut steuert insbesondere seine Expertise zu Tensornetzwerken für Quantencomputeranwendungen bei. Hierbei untersuchen wir Designprinzipien für die effiziente Umsetzung von Quantentensornetzwerken, die Einschätzung der Leistungsfähigkeit solcher Systeme sowie die Implementierung von Quanten-KI-Methoden zur Auswertung von Quantenproblemstellungen, insbesondere von Ergebnissen aus Quantensimulationen.
