Das Forschungsprojekt IgnisQNC verfolgt das Vorhaben, einen neuen Ansatz für vertrauenswürdiges quantenbasiertes Lernen zu entwickeln: Quantum Neural Computing (QNC). Das übergeordnete Ziel des Verbunds ist es, QNC als vertrauenswürdigen und hardwarekompatiblen Ansatz für angewandte Quanten-KI wissenschaftlich zu fundieren, technisch umzusetzen und auf realen Quantenplattformen zu validieren. Untersucht wird, wie Quantenzustände und Messprozesse so strukturiert werden können, dass sie neuronale Informationsverarbeitung unterstützen. Das zu lösende Problem liegt in der Lücke zwischen dem theoretischen Potenzial quantenbasierter Lernverfahren und ihrer praktischen Einsetzbarkeit. Für Anwendungen mit komplexen und sicherheitsrelevanten Daten fehlen solche Modelle, die ressourcenschonend, robust, erklärbar und plattformübergreifend vergleichbar sind. Die von IgnisQNC entwickelten Ansätze werden zunächst simuliert, anschließend auf realer Quantenhardware erprobt und mit etablierten Verfahren verglichen.
Die Lancaster University fungiert als Projektkoordinator und zentraler Integrator. Die Lancaster University ist führend in den Bereichen Quantenbauelementphysik, Tensor-Netzwerk-Simulationen, hybride HPC–NISQ-Systeme sowie XAI für multimodale und biomedizinische Datensätze. Die Lancaster University stellt sicher, dass theoretische Entwicklungen eng mit der algorithmischen Umsetzung verzahnt sind. Ihr Quantum Technology Centre (QTC), ihre HPC-Infrastruktur und die KI-Expertise des LIRA Centre bilden das rechnerische Rückgrat für die Modellentwicklung, das Testen und das Benchmarking.
Die LMU München unterstützt als Forschungsinstitution mit langjähriger Expertise im Bereich Quantencomputing (die LMU ist u.a. Gründungspartner von PlanQK) unterstützt die LMU in allen forschungsintensiven Arbeitspaketen. Als universitäre Forschungsgruppe plant das QAR-Lab der LMU eine Verwertung der Projektergebnisse im Rahmen der Lehre, in wissenschaftlichen Publikationen und in auf IgnisQNC aufbauenden Förder- und Forschungsprojekten.
Die Universidad Pablo de Olavide steuert groß angelegtes Data Engineering, Quanten-Machine-Learning, biomedizinische und biometrische Datensätze sowie XAI-Fachwissen bei. Die Universidad Pablo de Olavide unterstützt die Entwicklung quantenorientierter Vorverarbeitungs-Pipelines, die Validierung NISQ-angepasster Algorithmen an realen Datensätzen sowie durch die Implementierung von unsicherheits- und kausalitätsbewussten Attributionsmethoden. Ihre HPC- und Quantenemulationsinfrastruktur ermöglicht groß angelegte Simulationen und Benchmarking und unterstützt gleichzeitig die Öffentlichkeitsarbeit und die Einbindung der Öffentlichkeit in Quantentechnologien.
Die Aqarios GmbH ist ein Technologieunternehmen aus München mit Fokus auf Quantencomputing, das Software-Werkzeuge und Algorithmen für quantenunterstützte Optimierung entwickelt. Die Aqarios GmbH sicher, dass die Ergebnisse von IgnisQNC reproduzierbar, skalierbar und auf die Industrie übertragbar sind. Die Luna-Plattform des Unternehmens ermöglicht hybride Arbeitsabläufe und damit praktische Anwendungen in den Bereichen Finanzen, biometrische Analyse und groß angelegte Benchmark-Datensätze. Das Engagement von AQAR schlägt eine Brücke zwischen Forschung und praktischer Umsetzung und unterstützt den Technologietransfer sowie die Verwertung der Projektergebnisse.
Die TU Bergakademie Freiberg steuert fortschrittliche, quantengestützte Datenverwaltung, die Integration des Semantic Web, den Umgang mit großen Datenbanken sowie Benchmarking bei. Die TU Bergakademie Freiberg unterstützt IgnisQNC durch die Entwicklung reproduzierbarer Pipelines für strukturierte Quantendaten, die Integration von Wissensgraphen sowie die Gewährleistung der Einhaltung von Governance-Vorgaben und der klinischen Relevanz. Ihre Kompetenzen ergänzen die algorithmischen und industriellen Stärken der anderen Partner und ermöglichen so eine robuste Bewertung von QNNs in verschiedenen Anwendungsbereichen.
Nüßlein, J., Roch, C., Gabor, T., Stein, J., Linnhoff-Popien, C., & Feld, S. (2023, July). Black Box Optimization Using QUBO and the Cross Entropy Method. In International Conference on Computational Science (pp. 48-55).
Anfragen an das Konsortium bitte an:
E-Mail: qar-lab@mobile.ifi.lmu.de
Telefon: +49 89 2180-9153
QAR-Lab – Quantum Applications and Research Laboratory
Ludwig-Maximilians-Universität München
Oettingenstraße 67
80538 München
Förderung durch:
Copyright © IgnisQCN