Quantencomputing, als ein neues Paradigma zur Lösung hochkomplexer Rechenprobleme, ist dabei, in immer mehr Anwendungsbereiche vorzudringen. In diesem Kontext fördert das Deutsche Zentrum für Luft- und Raumfahrt (DLR) wissenschaftlichen Nachwuchs über ein speziell aufgelegtes Programm, das Quantum Fellowship Program (QFP). Mit dieser Promotionsstelle bietet das DLR-Institut für Hochfrequenztechnik und Radarsysteme, mit seiner weltweit anerkannten Expertise in der Konzeption und Entwicklung von Erdbeobachtungsmissionen, allen Interessierten die Möglichkeit in einem innovativen Forschungsfeld im Rahmen einer Industriepatenschaft zu forschen.

Unser Partner ist das Unternehmen HENSOLDT, ein international führender Anbieter für Verteidigungs- und Sicherheitselektronik. Die Konstellation aus Großforschungseinrichtung und Industrieunternehmen eröffnet dem/der Doktorand/in die einzigartige Gelegenheit in einem Team aus Forschern und Doktoranden des DLR, sowie mit Entwicklern der Industrie zusammen zu arbeiten und einen Einblick in die Entwicklungen des Quantencomputing in einem größeren Kontext zu erhalten. Die Promovenden sollen hierbei ermutigt werden in dieses dynamische Forschungsfeld einzusteigen und mit kreativen Ideen im Verbund mit anderen Doktoranden, Forschern und Entwicklern verschiedener Fachrichtungen, die Herausforderungen des im Folgenden dargestellten Themas anzugehen.

Innovationstreiber für moderne Radarsysteme, beispielsweise mit Anwendungen für die Drohnendetektion oder zur automatischen Auswertung großer Synthetischer-Apertur-Radar (SAR) Bilder, sind automatische Zielerkennungsalgorithmen.

Im Bereich Radar ist hierbei die sog. mikro-Doppler-basierte Klassifikation Stand der Technik. Hierbei wird das Doppler-Spektrum auf charakteristische Eigenheiten (z.B. durch Vibration oder Drehungen des Objekts induzierte Dopplerverschiebungen) hin untersucht um zu erkennen, ob es sich bei einer Radarsignatur um Clutter, Drohne, Vogel, o.ä. handelt. Insbesondere der Radarrückstreuquerschnitt von z.B. Vögeln und Drohnen ist hierbei oft ähnlich groß, so dass die Dopplersignatur ausschlaggebend ist. In Kombination mit Tracking ergeben sich schnell Fragestellungen, wie z.B. Track-before-detect, oder ein umfassenderer Ansatz, der den Range-Doppler-Zeit-Kubus als Ganzes klassifiziert. Hierbei kommen Algorithmen auf klassischer Hardware schnell an ihre Grenzen, weshalb quantenmaschinelles Lernen untersucht werden soll, um der Komplexität und Parameteroptimierung Herr zu werden.

Gleiches gilt für die Anforderungen an automatische Zielerkennung auf SAR-Bildern. Immer größere Ausschnitte sollen auf immer mehr Zielklassen hin untersucht werden. Weitergehend sollen auch Segmentierungsansätze zur Untergliederung der Szene in beispielsweise Wasser, Wiesen, Wald, urbane Gegenden, etc. untersucht werden. Auch hier bietet sich zur Meta-Parameter-Optimierung quantenmaschinelles Lernen an.

Gleiches gilt für die Anforderungen an automatische Zielerkennung auf SAR-Bildern. Immer größere Ausschnitte sollen auf immer mehr Zielklassen hin untersucht werden. Weitergehend sollen auch Segmentierungsansätze zur Untergliederung der Szene in beispielsweise Wasser, Wiesen, Wald, urbane Gegenden, etc. untersucht werden. Auch hier bietet sich zur Meta-Parameter-Optimierung quantenmaschinelles Lernen an.

Dies beinhaltet folgende Aufgaben:

• Literatur-, Soft- und Hardwarerecherche zum aktuellen Stand des analogen, digitalen und hybriden Quantencomputing vor allem im Bereich des quantenmaschinellen Lernens unter Berücksichtigung der speziellen Anforderungen im Bereich automatische Zielerkennung

• Studium der einschlägigen Fachliteratur im Bereich des Quantencomputing sowie von wissenschaftlichen Publikationen und Vorträgen

• Entwicklung eines fundierten Verständnisses für die Potenziale und Herausforderungen bei der Übertragung von Radarsignalverarbeitungsalgorithmen für automatische Zielerkennung auf analoge und digitale Quantencomputer

• Analysen zur Nutzung von innovativen Quantenprozessierungsverfahren aus den Bereichen der künstlichen Intelligenz und des maschinellen Lernens

• Entwurf, Implementierung und Test von Quantenalgorithmen für die automatische Zielerkennung auf Mikrodoppler-Spektren und SAR-Bildern (beispielsweise unter Ausnutzung von Quanten-Annealing)

• Konzeption von quantenmaschinellen Lernalgorithmen zur Optimierung klassischer Ansätze und Meta-Parameter-Tuning

• Betreuung von Masterstudenten im Bereich des quantenmaschinellen Lernens für die automatische Zielerkennung

• Dokumentation der Ergebnisse in Form von Software und technischer Berichte

• Präsentation der Forschungsergebnisse auf nationalen und internationalen Konferenzen sowie Veröffentlichung in wissenschaftlichen Fachzeitschriften

• Zusammenfassung aller relevanten Ergebnisse zu einer Dissertation