Fraunhofer IPA: Quantencomputing – Neue Potenziale für automatisiertes maschinelles Lernen
Quantencomputing ermöglicht es, rechenintensive Technologien wie das maschinelle Lernen (ML) weiterzubringen. Im Projekt „AutoQML“ entwickeln acht Partner aus Forschung und Industrie deshalb Lösungsansätze, die Quantencomputing und ML verknüpfen. Eine Open-Source-Plattform soll Entwickler befähigen, Algorithmen des Quanten-Machine-Learnings ohne tiefgehendes Fachwissen nutzen zu können. Das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA ist am Projekt maßgeblich beteiligt und bringt seine Expertise im Quantencomputing und in Ver- fahren des herkömmlichen ML ein.
Quantencomputing ermöglicht es, rechenintensive Technologien wie das maschinelle Lernen (ML) weiterzubringen. Im Projekt "AutoQML" entwickeln acht Partner aus Forschung und Industrie deshalb Lösungsansätze, die Quantencomputing und ML verknüpfen. Eine Open-Source-Plattform soll Entwickler befähigen, Algorithmen des Quanten-Machine-Learnings ohne tiefgehendes Fachwissen nutzen zu können. Das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA ist am Projekt maßgeblich beteiligt und bringt seine Expertise im Quantencomputing und in Ver- fahren des herkömmlichen ML ein.
Wie gelingt es Unternehmen, die Potenziale der Digitalisierung zu nutzen und wettbewerbsfähig zu bleiben? Der Einsatz von Technologien wie künstlicher Intelligenz (KI) kann dabei helfen, von der digitalen Transformation bestmöglich zu profitieren. Vor allem ML spielt in der Digitalisierungsstrategie vieler Unternehmen bereits eine große Rolle und ermöglicht unter anderem effizientere Prozesse sowie neue Geschäftsmodelle. Allerdings fehlt es oft an Fachkräften. So ist die Implementierung von ML-Lösungen bisher noch häufig mit hohem Arbeitsaufwand verbunden. Von der Datenakquisition über die Wahl der passenden Algorithmen bis hin zur Optimierung des Trainings ist ein detailliertes Fachwissen in ML notwendig.
Der Ansatz des automatisierten maschinellen Lernens (AutoML) wirkt diesen Heraus-forderungen entgegen und erleichtert Fachkräften den Einsatz von KI. Dabei wird insbesondere die Wahl der konkreten ML-Algorithmen automatisiert. Anwender müssen sich somit weniger mit ML beschäftigen und auskennen und können sich mehr auf ihre eigentlichen Prozesse konzentrieren. In diesem Zusammenhang markiert Quantencomputing den Durchbruch in eine neue technologische Ära, denn damit lässt sich der AutoML-Ansatz signifikant verbessern. Zudem bietet Quantencomputing die für AutoML oftmals nötige Rechenpower.
Neuer Ansatz: Quantencomputing bringt maschinelles Lernen auf neues Niveau Das Verbundprojekt "AutoQML" setzt an dieser Innovation an und verfolgt zwei wesent-liche Ziele: Zum einen wird der neue Ansatz AutoQML entwickelt. Dieser wird um neu entwickelte Quanten-ML-Algorithmen erweitert. Zum anderen hebt Quantencomputing den AutoML-Ansatz auf ein neues Niveau, denn bestimmte Probleme lassen sich mit-hilfe von Quantencomputing schneller lösen als mit konventionellen Algorithmen.
Unter Leitung des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation IAO ermöglicht das Projekt Entwicklern einen vereinfachten Zugang zu konventionellen und Quanten-ML-Algorithmen über eine Open-Source-Plattform. Neben Fraunhofer beteiligen sich die Unternehmen GFT Integrated Systems, USU Software AG, IAV GmbH Ingenieursgesellschaft Auto und Verkehr, KEB Automation KG, TRUMPF Werkzeug-maschinen GmbH + Co. KG und die Zeppelin GmbH am Projekt. Die entwickelten Lösungen werden anhand von konkreten Anwendungsfällen aus dem Automotive- und Produktionsbereich erprobt.
Das Beste aus beiden Welten: Softwarebibliothek für hybride Gesamtlösungen Das Projektkonsortium wird Komponenten des Quantencomputings in heutige Lösungsansätze des maschinellen Lernens integrieren, um die Performance-, Geschwindigkeits- und Komplexitätsvorteile von Quanten-Algorithmen im industriellen Kontext nutzen zu können. In der sogenannten AutoQML-Developer Suite – einer Softwarebibliothek – sollen entwickelte Quanten-ML-Komponenten und Methoden in Form eines Werkzeugkastens zusammengeführt und den Entwicklern in einer Open-Source-Plattform zur Verfügung gestellt werden. Dies befähigt Anwender, maschinelles Lernen und Quanten-Machine-Learning einzusetzen und hybride Gesamtlösungen entwickeln zu können.
Die Laufzeit des Projekts beträgt drei Jahre. Die weiterführende Marktverbreitung durch die Unternehmenspartner ermöglicht den Transfer von forschungsnaher Hochtechno-logie in ein breites, industrielles Umfeld mit dem Ziel, den Industriestandort Deutschland signifikant zu stärken. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz gefördert.
Projektsteckbrief
Vollständiger Name: AutoQML – Developer-Suite für automatisiertes maschinelles Lernen mit Quantencomputern Laufzeit: 1. Januar 2022 bis 31. Dezember 2024 Partner: Fraunhofer IAO (Konsortialführer), Fraunhofer IPA, GFT Integrated Systems, USU Software AG, IAV GmbH Ingenieursgesellschaft Auto und Verkehr, KEB Automation KG, TRUMPF Werkzeugmaschinen GmbH + Co. KG und die Zeppelin GmbH Informationen: http://www.autoqml.ai/ Förderung: Bundesministerium für Wirtschaft und Klimaschutz