Die Mission des QAR-Labs ist es, die Technologie des Quantencomputings einem breiten Nutzerkreis in Forschung und Wirtschaft zugänglich zu machen. Dazu evaluieren wir unterschiedliche Systeme, vergleichen Architektur und Performance, entwickeln aber auch eine Plattform, die eine Architektur-unabhängige Programmierung ermöglicht.
Das Quantum Applications and Research Laboratory (kurz QAR-Lab) wurde im Jahr 2016 am Lehrstuhl für Mobile und Verteilte Systeme der LMU München durch Frau Prof. Dr. Claudia Linnhoff-Popien gegründet. Die Forschungsgruppe des QAR-Labs beschäftigt sich neben der Grundlagenforschung im Bereich Quantencomputing insbesondere mit der Nutzbarmachung dieser Technologie für praxisnahe Anwendungen. Die dabei entstehenden Beiträge für Wissenschaft und Wirtschaft werden von Bund (BMWi) und Land (StMWi) im Rahmen von Förderprojekten wie dem „QAR-Lab Bayern“ und dem „PlanQK“-Projekt unterstützt. Konkret arbeitet das QAR-Lab dabei an der Umsetzung und Entwicklung von quantenunterstützten KI-Algorithmen für diverse industrielle Use Cases im PlanQK-Projekt und dem Aufbau eines bayerischen Ökosystems für Quantencomputing-Anwenderkompetenz im Projekt „QAR-Lab Bayern“. In diesem Kontext agiert das QAR-Lab als Vermittler zwischen den Domänen- und Quantentechnologieexperten, mit dem Ziel neue Anwendungen zu realisieren. Darüber hinaus ermöglicht der enge Kontakt des QAR-Labs mit zahlreichen führenden Quantenhardwareherstellern (wie IBM, D-Wave Systems, Rigetti und Fujitsu) eine einzigartige Rolle des QAR-Labs in der Welt des Quantencomputings. Insbesondere hinsichtlich der Anzahl an Hardwarepartnern befindet sich das QAR-Lab damit in einer deutschlandweit führenden Position. Die Struktur des QAR-Labs in der Vermittlung zwischen Wissenschaft und Wirtschaft ist in Abbildung 1 dargestellt.

Forschungsschwerpunkte und Ergebnistransfer

Die Forschungsschwerpunkte des QAR-Labs sind Quantum Optimization und Quantum Artificial Intelligence. Darin wird Quantencomputing in den für die in der Informatik omnipräsenten Bereichen Künstliche Intelligenz und Optimierung eingesetzt. Um einen bestmöglichen Transfer von Forschungsergebnissen in die Anwendung zu ermöglichen, arbeiten wir im QAR-Lab aktuell an einer Software-Plattform, deren Kernstück die Middleware UQ für einen einheitlichen und einfachen Zugriff auf Quantenhardware darstellt. Eine Übersicht zu den vorangegangenen Bereichen ist in Abbildung 2 dargestellt.

1.Quantum Optimization

Die Lösung von Optimierungsproblemen ist ein zentrales Gebiet der Informatik und besonders relevant in der Anwendung. Der oft exponentiell zur Eingabegröße wachsende Suchraum verhindert eine exakte Lösung praxisrelevanter Problemstellungen auf klassischen Computern. Ansätze des Quantencomputings zeigen Möglichkeiten auf, diese Probleme effizienter als mit klassischen Algorithmen zu lösen. Der Fokus der Forschung in diesem Bereich ist die Suche nach einer optimalen Formulierung der Probleme, sodass der in der Theorie bewiesene Quantenvorteil bestmöglich auf aktueller Quantenhardware umgesetzt werden kann. Dazu ist spezifisches Expertenwissen der Problemdomänen notwendig, auf das wir durch zahlreiche zurückliegende Forschungen zu Problemen wie beispielsweise dem Gate Assignment Problem (GAP), dem 3-Erfüllbarkeitsproblem (3-SAT) [8], dem Capacitated Vehicle Routing Problem (CVRP) und vielen mehr verfügen. Auf Basis dessen konnten wir beispielsweise in den folgenden Bereichen wertvolle Fortschritte erzielen:

• Der Komprimierung von Geometriedaten mittels Quantum Annealing, die z.B. für einen effizienten Datentransfer in verteilten 3D-Computer-Vision-Anwendungen nötig ist [10]
• Der Lösung von Optimierungsproblemen für hoch relevante, logistische Problemstellungen mittels hybriden Quantenalgorithmen [12]
• Der Nutzung von Quantum Annealing zur Ausführung von approximativen Lösungsverfahren für Optimierungsprobleme, insbesondere dem Problem der Archetypischen Analyse [11]
• Der optimalen Formulierung eines Optimierungsproblems mit Nebenbedingung zur Ausführung auf einem Quantum Gate Computer [2]
• Untersuchung Approximativer Lösungsverfahren auf Quantenannealern [1]
• Abbildung von Zeitreihen unterschiedlicher Länge mittels Quantum Annealing [9]
• Untersuchung aktueller NISQ Hardware hinsichtlich ihrer Einsetzbarkeit in praktischen Anwendungen für Problemstellungen mit Quanten-Speedup Potential [4]
• Dem Einsatz von Quantum Annealing zur Erkennung von Nash-Gleichgewichten, die eine zentrale Rolle in der Spieltheorie und damit der Modellierung von Wirtschaftsvorgängen haben [3]

Aktuell forschen wir an einigen weiteren Problemstellungen, für die wir vor allem Konzepte auf Basis des Quantum Gate Model entwickeln. Im Folgenden sind einige Beispiele hierzu aufgeführt:

• Einbettung von Problemformulierungen auf spezielle Hardwarearchitekturen sowohl für das Quantum Gate Model als auch für Quantenannealer
• Nutzung von Quantum Walks zur Lösung von Community-Detection Problemen
• Integration eines Quantenalgorithmus zum Lösen linearer Gleichungssysteme an geeigneter Stelle innerhalb der Archetypischen Analyse, einem speziellen Clusteringverfahren

2. Quantum Artificial Intelligence

Ansätze der Künstlichen Intelligenz ermöglichen die Lösung hochkomplexer Probleme durch die Simulation intelligenten Verhaltens. In diesem Feld konnten in den letzten Jahren zahlreiche Durchbrüche in überaus relevanten Problemstellungen erzielt werden. Der Trend der dazu benötigten Rechenkapazitäten steigt jedoch exponentiell, sodass zukünftig deutlich leistungsfähigere Computer benötigt werden. Ein vielversprechender Ansatz ist es dabei, rechenzeitintensive Bausteine von KI-Algorithmen in einem hybriden Verfahren mittels Quantencomputing zu lösen. Vor dem Hintergrund unserer langjährigen Expertise im Bereich der Künstlichen Intelligenz bringen wir uns aktuell insbesondere im Bereich der hybriden Optimierung, der Lösung von Gleichungssystemen und dem Lernen von Clustern und SVMs ein. Zusätzlich verfolgen wir vielversprechende Forschungsrichtungen wie Quantum Reinforcement Learning (QRL), Quantum General Adversarial Networks (QGANs) und das Training von Quantum Boltzmann Machines (QBMs). Zusätzlich dazu forscht das QAR-Lab daran, wie Künstliche Intelligenz für die Erhöhung der Effizienz eines Quantenalgorithmus durch die Modifikation dessen Formulierung eingesetzt werden kann [6]. Konkret wurden dazu beispielsweise Neuronale Netze trainiert, um die Anzahl der benötigten Qubits zur Lösung eines Problems mittels Quantum Annealing zu verringern [7].

3. Quantum Software Plattform

Zur Ermöglichung eines einfachen Austauschs von Quanten-Algorithmen, -Implementierungen und -Applikationen arbeitet das QAR-Lab an einer darauf ausgelegten Softwareplattform. Um den Einstieg in das Feld des Quantencomputings zu erleichtern, werden hier Guidelines, Lehrmaterialen und Entwicklungswerkzeuge bereitgestellt. Als Besonderheit der Plattform wird ein universeller Zugriff auf verschiedene Quantenhardware unabhängig von einzelnen Hardwareherstellern durch die im QAR-Lab entwickelte Middleware UQ ermöglicht [5]. Als Unterstützung bei der Auswahl der geeignetsten Quantenhardware für eine angefertigte Implementierung werden intelligente Algorithmen bereitgestellt. Zur maximalen Ausnutzung der bislang noch sehr begrenzten Kapazitäten verfügbarer Quantenhardware forschen wir in dem Feld der möglichst optimalen, automatisierten Übersetzung von Quantenalgorithmen auf vorhandene Quantenhardware. Erzielte Ergebnisse, wie beispielsweise eine automatisierte Optimierung von QUBO-Formulierungen für Quantenannealer der Firma D-Wave Systems, werden auf der Softwareplattform als Werkzeug zur Verfügung gestellt.

Zugriff auf Quantenhardware

Der aktuelle Stand der Technik in der Entwicklung und dem Bau von Quantencomputern lässt eine Serienfertigung solcher Hardware bislang nicht zu. Nahezu jeder Bau eines Quantencomputers ist aktuell die Realisation eines neuen Prototyps, der stationär beim Hersteller verbleibt. Auch aufgrund der enormen Kosten, die in die Realisation eines solchen Systems fließen, ist der Verkauf der Hardware meist keine Option, sodass die meisten Hersteller lediglich Rechenzeit auf ihrer Hardware über die Cloud zur Verfügung stellen. Die wachsende Anzahl an Herstellern bringt dabei eine große Menge von verschiedenen Softwareanbindungen mit sich, sodass die Ausführung eines Quantenalgorithmus auf unterschiedlicher Hardware jeweils eine Umprogrammierung der Implementierung erfordert. Eine Middleware, die sich dieser Problemstellung annimmt, ist die bereits erwähnte, im QAR-Lab entwickelte Softwarelösung UQ. Aktuell ermöglicht sie bereits den Zugriff auf Quantenannealer der Firma D-Wave Systems. Im Laufe dieses Jahres ist die Anbindung der Quantenhardware unserer Partner Rigetti, IBM und Fujitsu geplant. Zusätzlich dazu befindet sich das QAR-Lab in Gesprächen für die Nutzung der Hardware-Plattform „Quantum Inspire“ von QuTech, den Mikroprozessoren der Firma Quantum Brilliance und den Quantum-Gate-Computern von Google.

Zusammenarbeit mit der Wirtschaft

In einigen großen deutschen Unternehmen wie zum Beispiel Volkswagen, der Deutschen Telekom, Bosch oder der Deutschen Bahn gibt es bereits erste Initiativen zum Thema Quantencomputing. Um das volle Potenzial des Quantencomputings auszuschöpfen, ist neben dem Wissenstransfer von der Wissenschaft in die Wirtschaft auch der Austausch der Experten untereinander nötig, um Synergien aller Beteiligten herzustellen. Hierzu leistet das QAR-Lab durch die Veranstaltung von Workshops, Seminaren, Infoveranstaltungen und Kursen in Verbindung mit der Organisation zahlreicher Projekte zur Zusammenarbeit von Industrie und Wissenschaft einen zentralen Beitrag.

Um vor allem auch kleinen und mittelständischen Unternehmen den Einstieg in die Welt des Quantencomputings zu erleichtern, bietet das QAR-Lab die Möglichkeit von Kooperationen mit Partnern aus der Wirtschaft an. Hierbei leistet das QAR-Lab Unterstützung auf dem gesamten Weg von der Identifizierung von Use Cases über die Implementierung von Quantencomputing basierten Lösungsansätzen bis hin zur Wahl der Quantenhardware und der Ausführung der Quantenalgorithmen:

1.Identifizierung von Use Cases der Anwenderindustrie

Infolge der vielfältigen Problemstellungen der Unternehmen aus unterschiedlichsten Branchen betrachten wir verschiedenste Anwendungen aus der Praxis und bereiten sie hinsichtlich ihrer Lösbarkeit mit Hilfe von Quantencomputing auf. Oft sind darunter geschäftsrelevante Problemstellungen, deren effizientere Lösung Wettbewerbsvorteile verspricht. Als Nebengewinn identifizieren wir so Anforderungen an die verfügbaren Quantencomputing-Technologien und Erwartungen an zukünftige Entwicklungen.

2. Implementierung von Quantencomputing-basierten Lösungsansätzen

Insbesondere der Prozess der Implementierung ermöglicht den Kooperationspartnern Einblicke in die Welt des Quantencomputings. Als Domänenexperten leisten sie in diesem Schritt zentrale Beiträge zur Lösungsfindung und lernen Quantenalgorithmen kennen. Hier leistet das QAR-Lab wertvolle Unterstützung, um die ansonsten hohe Einstiegsbarriere des Quantencomputings zu überwinden.

3. Auswahl und Zugriff auf Quantenhardware

Mit der großen Anzahl an Quantenhardwaresystemen ist die Wahl des optimalen Rechners für das eigene Problem ohne Expertenwissen nicht trivial und bedarf oft eines experimentellen Vergleichs, der (wie im vorangegangenen Abschnitt erläutert) meist sehr aufwändig ist. Unsere Expertise in der Anwendung von Quantenhardware und der vorhandene Zugriff auf einige der leistungsfähigsten Rechner mittels der Middleware UQ ermöglichen uns die notwendige Bewertungskompetenz zur Wahl der optimalen Quantenhardware.

4. Auswertung der Ergebnisse und Vergleich mit klassischem State-of-the-art

Heutige Quantencomputer ermöglichen noch keine fehlerfreie bzw. fehlerkorrigierende Ausführung von Quantenalgorithmen. Im Fachjargon wird der aktuelle Stand auch deshalb dem sogenannten NISQ-Zeitalter (noisy intermediate scale quantum) zugeordnet. Diese Fehleranfälligkeit, gekoppelt mit der nicht-deterministischen Natur einiger Rechenschritte im Quantencomputing, erschwert die Auswertung der Ergebnisse im Vergleich zu klassischen Alternativansätzen. Mit Hilfe der Erfahrung, die wir bereits auf diesem Gebiet sammeln konnten, können wir einen zentralen Beitrag in der Beantwortung der Frage „Welche Vorteile hat die Nutzung von Quantencomputing für ein spezielles Problem?“ leisten.

Zukunftsvision

Das gesetzte Ziel des QAR-Labs ist es einerseits den Zweig des Quantencomputings durch Grundlagenforschung voran zu treiben und andererseits eine breitflächige Anwenderkompetenz herzustellen. Dazu fördern wir sowohl die universitäre Lehre im Bereich Quantencomputing, um neue Experten hervorzubringen, als auch die Anwendung von Quantencomputing in der Industrie durch zahlreiche Kooperationsprojekte. Damit leisten wir einen Beitrag dazu, das Feld des Quantencomputings mit seinen Ursprüngen in der Quantenphysik zu einem zentralen Feld der Informatik zu machen. Insbesondere ist es uns ein großes Anliegen die Einstiegsbarriere in den Bereich des Quantencomputings zu minimieren und damit Quantencomputing als gängiges Werkzeug zur Lösung komplexer Problemstellungen zu etablieren. Das QAR-Lab fungiert dabei in einer Vorreiterrolle und trägt essenziell dazu bei, dass Deutschland im Einsatz von Quantentechnologien auf dem Weltmarkt konkurrenzfähig bleibt.

Quellen und Referenzen:

[1]I. Sax, S. Feld, S. Zielinski, T. Gabor, C. Linnhoff-Popien und W. Mauerer, „Approximate approximation on a quantum annealer“ in 17th ACM Int. Conf. Comput. Front. 2020, CF 2020 – Proc., 2020.

[2]C. Roch, A. Impertro, T. Phan, T. Gabor, S. Feld und C. Linnhoff-Popien, „Cross entropy hyperparameter optimization for constrained problem hamiltonians applied to QAOA“, 2020.

[3]C. Roch, T. Phan, S. Feld, R. Müller, T. Gabor, C. Hahn und C. Linnhoff-Popien, „A quantum annealing algorithm for finding pure nash equilibria in graphical games“ in Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), 2020.

[4]T. Hubregtsen, C. Segler, J. Pichlmeier, A. Sarkar, T. Gabor und K. Bertels, „Integration and Evaluation of Quantum Accelerators for Data-Driven User Functions“ in Proc. – Int. Symp. Qual. Electron. Des. ISQED, 2020.

[5]T. Gabor, S. Zielinski, C. Roch, S. Feld und C. Linnhoff-Popien, „The UQ platform: A unifed approach to quantum annealing“ in 2020 5th Int. Conf. Comput. Commun. Syst. ICCCS 2020, 2020.

[6]T. Gabor, L. Sünkel, F. Ritz, T. Phan, L. Belzner, C. Roch, S. Feld und C. Linnhoff-Popien, „The Holy Grail of Quantum Artificial Intelligence: Major Challenges in Accelerating the Machine Learning Pipeline“ in Proc. – 2020 IEEE/ACM 42nd Int. Conf. Softw. Eng. Work. ICSEW 2020, 2020.

[7]T. Gabor, S. Feld, H. Safi, T. Phan und C. Linnhoff-Popien, „Insights on Training Neural Networks for QUBO Tasks“ in Proc. – 2020 IEEE/ACM 42nd Int. Conf. Softw. Eng. Work. ICSEW 2020, 2020.

[8]T. Gabor, S. Zielinski, S. Feld, C. Roch, C. Seidel, F. Neukart, I. Galter, W. Mauerer und C. Linnhoff-Popien, „Assessing Solution Quality of 3SAT on a Quantum Annealing Platform“ in Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), 2019.

[9]S. Feld, C. Roch, T. Gabor, X. T. M. To und C. Linnhoff-Popien, „The dynamic time warping distance measure as QUBO Formulation“ in 2020 5th Int. Conf. Comput. Commun. Syst. ICCCS 2020, 2020.

[10]S. Feld, M. Friedrich und C. Linnhoff-Popien, „Optimizing Geometry Compression Using Quantum Annealing“ in 2018 IEEE Globecom Work. GC Wkshps 2018 – Proc., 2019.

[11]S. Feld, C. Roch, K. Geirhos und T. Gabor, „Approximating Archetypal Analysis Using Quantum Annealing“ in 28th Eur. Symp. Artif. Neural Networks, Comput. Intell. Mach. Learn. (ESANN 2020), 2020.

[12]S. Feld, C. Roch, T. Gabor, C. Seidel, F. Neukart, I. Galter, W. Mauerer und C. Linnhoff-Popien, „A hybrid solution method for the capacitated vehicle routing problem using a quantum annealer“ Front. ICT, 2019.