QCHALLengeNews

a:3:{s:6:"locale";s:5:"de_DE";s:3:"rtl";i:0;s:9:"flag_code";s:2:"de";}
QCHALLenge Veröffentlichungen bei der ICAART 24 in Rom

QCHALLenge Veröffentlichungen bei der ICAART 24 in Rom

Präsentation von vier Papern zum Thema Quantum Machine Learning

(6. März 2024/Rom) Mitglieder des QCHALLenge-Konsortiums haben auf der Internationalen Konferenz für Agenten und maschinelles Lernen in Rom vier akzeptierte Paper zur Erforschung von Anwendungen sowie der Grundlagenforschung im Bereich des Quantum Machine Learnings (QML) vorgestellt. Zwei dieser Veröffentlichungen entstanden aus der QC Optimization Challenge der LMU und beleuchten die Anwendung von QML für die Modellierung chemischer Prozesse sowie die Erkennung von Anomalien. In den anderen beiden Papern haben wir (1) einen neuen, KI-inspirierten Ansatz für die Architektur parametrisierter Quantenschaltkreise vorgestellt und (2) eine sequenzielle Zusammenstellung der Kosten-Hamiltonians im Variational Quantum Eigensolver vorgestellt, die einen Weg aufzeigt, das Problem der Barren-Plateaus anzugehen.

Für weitere Informationen finden Sie hier die Links zu den veröffentlichten Artikeln sowie zu den frei verfügbaren Vorveröffentlichungen:

  • J. Stein, T. Rohe, F. Nappi, J. Hager, D. Bucher, M. Zorn, M. Kölle and C. Linnhoff-Popien, “Introducing Reduced-Width QNNs, an AI-inspired Ansatz Design Pattern”. In Proceedings of the International Conference on Agents and Artificial Intelligence – Volume 3, pages 1127–1134, Feb. 2024. DOI: 10.5220/0012449800003636. arXiv: 2306.05047.
  • J. Stein, N. Roshani, M. Zorn, P. Altmann, M. Kölle and C. Linnhoff-Popien, “Improving Parameter Training for VQEs by Sequential Hamiltonian Assembly”. In Proceedings of the International Conference on Agents and Artificial Intelligence – Volume 2, pages 99–109, Feb. 2024. DOI: 10.5220/0012312500003636. arXiv: 2312.05552.
  • J. Stein, M. Poppel, P. Adamczyk, R. Fabry, Z. Wu, M. Kölle, J. Nüßlein, D. Schuman, P. Altmann, T. Ehmer, V. Narasimhan and C. Linnhoff-Popien, “Benchmarking Quantum Surrogate Models on Scarce and Noisy Data”. In Proceedings of the International Conference on Agents and Artificial Intelligence – Volume 3, pages 352–359, Feb. 2024. DOI: 10.5220/0012348900003636. arXiv: 2306.05042.
  • J. Stein, D. Schuman, M. Benkard, T. Holger, W. Sajko, M. Kölle, J. Nüßlein, L. Sünkel, O. Salomon and C. Linnhoff-Popien, “Exploring Unsupervised Anomaly Detection with Quantum Boltzmann Machines in Fraud Detection”.  In Proceedings of the International Conference on Agents and Artificial Intelligence – Volume 2, pages 177-185, Feb. 2024. DOI: 10.5220/0012326100003636. arXiv: 2306.04998.

Kickoff der 7. QC Optimization Challenge​

Kickoff der 7. QC Optimization Challenge

Studenten der LMU München geben wertvolle Einblicke in mögliche QC Anwendungen

(7. Mai 2024/München) Das Praktikum soll die Fähigkeit vermitteln, Optimierungsprobleme für Quantencomputer zu modellieren, sowie eine Einführung in die praktische Arbeit mit bestehenden Quantencomputern geben. Im QAR-Labor stehen dafür derzeit vier Rechner zur Verfügung: IBM Q System Two, IonQ Aria-2, Fujitsu DAU, D-Wave Advantage.
In Zusammenarbeit mit unseren Industriepartnern BMW Group, SAP und Siemens werden in diesem Semester von unseren Studenten Projekte mit hoher Relevanz für konkrete Anwendungen auf Quantencomputern berechnet. Mit den drei Anwendungsfällen (1) Topologieoptimierung (BMW), (2) VM Balance Assignment (SAP), (3) Image Classification (SAP), (4) BnB hybrid Optimization (Siemens) und (5) Distribution Modelling (Siemens) werden die Studenten die Hauptanwendungen von Quantencomputern erforschen: Maschinelles Lernen, Simulation und Optimierung.

Wir freuen uns, dies bereits zum 7. Mal zu ermöglichen und sind gespannt auf die Ergebnisse am Ende dieses Semesters.

Über das QCP

Die Quantum Computing Optimization Challenge ist ein Praktikum, das von Frau Prof. Dr. Linnhoff-Popien ins Leben gerufen wurde. Es fand im Jahr 2020 zum ersten Mal statt und ist seitdem fester Bestandteil in der Lehre. Dieses Praktikum vermittelt die Fähigkeit, Optimierungsprobleme für Quantencomputer zu modellieren, sowie einen Einstieg in die praktische Arbeit mit existierenden Quantencomputern. Dafür stehen im QAR-Lab derzeit vier Rechner zur Verfügung: IBM Q System Two, IonQ Aria-2, Fujitsu DAU, D-Wave Advantage. In Kooperation mit namhaften Partnern aus der Industrie werden jedes Semester Aufgabenstellungen mit starker Relevanz für praktische Anwendungen vergeben. Die Studierenden haben die Möglichkeit, je eine Aufgabenstellung auf zwei Rechnern auszuführen und zu vergleichen. Im Sommersemester 2024 findet es bereits zum 7. Mal statt. In der QC Optimization Challenge stehen Anwendungsfälle in Bereichen der Optimierung, des Machine Learning und der Simulation auf dem Programm.
Freuen Sie sich auf einen spannenden Vortrag im September auf dem Quantum Summit.


Quantum Summit 2023 im September

Quantum Summit 2023 im September

Jonas Stein, Wissenschaftlicher Mitarbeiter des QAR-Labs der LMU München wird wertvolle Einblicke in die aktuellen QC-Forschungsprojekte geben - insbesondere zu den Highlights aus der Quantum Computing Optimization Challenge.

(13.06.2023/München) Quantencomputing ist nicht mehr nur ein Zukunftstrend – es wird bleiben und verspricht, sowohl lokale als auch globale Probleme in verschiedenen Bereichen zu lösen, die außerhalb der Reichweite heutiger Computer liegen. Am 20.-21. September 2023 findet in Berlin der Quantum Summit statt, an dem zahlreiche Experten aus der Forschung sowie Entscheidungsträger aus der Wirtschaft und der Politik zusammenkommen, um sich über wichtige Erkenntnisse im Bereich des Quantencomputing auszutauschen. Jonas Stein, Wissenschaftlicher Mitarbeiter des QAR-Labs der LMU München wird wertvolle Einblicke in die aktuellen QC-Forschungsprojekte geben – insbesondere zu den Highlights aus der Quantum Computing Optimization Challenge.

Die Quantum Computing Optimization Challenge ist ein Praktikum, das von Frau Prof. Dr. Linnhoff-Popien ins Leben gerufen wurde. Es fand im Jahr 2020 zum ersten Mal statt und ist seitdem fester Bestandteil in der Lehre. Dieses Praktikum vermittelt die Fähigkeit, Optimierungsprobleme für Quantencomputer zu modellieren, sowie einen Einstieg in die praktische Arbeit mit existierenden Quantencomputern. Dafür stehen im QAR-Lab derzeit vier Rechner zur Verfügung: IBM Q System One, Rigetti Aspen-11, Fujitsu DAU, D-Wave Advantage. In Kooperation mit namhaften Partnern aus der Industrie werden jedes Semester Aufgabenstellungen mit starker Relevanz für praktische Anwendungen vergeben. Die Studierenden haben die Möglichkeit, je eine Aufgabenstellung auf zwei Rechnern auszuführen und zu vergleichen. Im Sommersemester 2023 findet es bereits zum 5. Mal statt. In der QC Optimization Challenge stehen Anwendungsfälle in Bereichen der Optimierung, des Machine Learning und der Simulation auf dem Programm.
Freuen Sie sich auf einen spannenden Vortrag im September auf dem Quantum Summit.

Wenn Sie mehr zum Quantum Summit erfahren wollen, klicken Sie hier.

 


Kick-off Projektstart QCHALLenge

Kick-off Projektstart QCHALLenge

Das QAR-Lab der LMU München leitet das vom Bundesministerium für Wirtschaft und Klimaschutz geförderte Quantencomputing-Projekt QCHALLenge – die Unternehmen AQARIOS, BASF SE, BMW AG, SAP SE und Siemens AG werden Partner sein.

(01.12.2022/München) Am 01. Dezember trafen sich zum ersten Mal alle Projektpartner, um die gemeinsame Vision voranzubringen, einen Quantenvorteil im Bereich der Produktion und Logistik zu erreichen. Mit Hilfe des Projekts QCHALLenge sollen Optimierungsprobleme speziell in diesen Bereichen mittels bestehender Quantum Computing (QC) Hardware gelöst werden. Hierfür werden Algorithmen, Konzepte und Werkzeuge entwickelt, die der Wirtschaft branchenübergreifend und niederschwellig den Einsatz von QC ermöglichen. Dabei soll vor allem die automatisierte Integration von QC in bestehende Lösungen, die Entwicklung generischer Quanten-SDKs und der Ausbau von Knowhow in der Anwendung und Entwicklung von QC-Lösungen im Fokus stehen.

Die Projektpartner und ihre Rollen

Die Projektpartner setzen sich aus Technologieexperten, Softwareherstellern und der Anwenderindustrie zusammen, um ihr Know-how aus möglichst unterschiedlichen Perspektiven optimal zu ergänzen. Dabei übernimmt die LMU München als Konsortialführer die Leitung von QCHALLenge und bringt über das Quantum Applications and Research Laboratory (QAR-Lab) ihre langjährige Erfahrung im Gebiet der QC-Software ein. Seit dem Jahr 2016 wird im QAR-Lab bereits Forschung im Bereich Quantencomputing betrieben und an zahlreichen QC Industrie- und Förderprojekten gearbeitet. Daraus geht u.a. die Middleware UQO zum hardwareagnostischen Einsatz von QC hervor. Die AQARIOS, die 2021 als Spin-off der LMU München gegründet wurde, fokussiert sich als Software-und Technologiepartner insbesondere auf die Entwicklung und Implementierung von QC-Lösungen. Die Unternehmen BASF, BMW, SAP und Siemens vertreten im Konsortium die Anwenderseite, die QC in ihren jeweiligen Geschäftsfeldern vorantreiben und bereits durch zahlreiche Projekte im Bereich QC ihr Know-How aufbauen konnten. Da QCHALLenge speziell die Domänen Produktion und Logistik widmet, ergeben sich daraus u.a. Use Cases zur Optimierung von Lieferketten und Warenlagern und der Einsatz von QC in der Automatisierung.

Ziele von QCHALLenge:

Im Zentrum von QCHALLenge steht die Integration von QC in bestehende Software-Workflows. Insbesondere zielt das Projekt auch auf die Optimierung von Methoden im Machine Learning und der Simulation ab. Dabei hat sich das Konsortium folgende Punkte als Ziel gesetzt, die sie am Ende von QCHALLenge anstreben:

  • Die Erarbeitung generischer Entwicklungswerkzeuge und –umgebungen
  • Die Schaffung nutzerfreundlicher, ingenieurstechnischer Anwendungen wie z. B. Optimierungen für spezifische Anwendungsfälle
  • Die Entwicklung von Software-Lösungen für die Integration von konventionellen Computern und QC-Systemen (hybride Quanten-Software
  • Die Gestaltung von Strategien und Methoden zur strukturierten Analyse von anwendungsseitigen Problemen hinsichtlich der zielgerichteten Anwendung und Entwicklung von QC-Lösungen
Umsetzung und Ausblick:

Um QCHALLenge zum Erfolg zu führen, stehen vier große Meilensteine im Vordergrund: Im ersten Schritt geht es darum, geeignete Use Case zu identifizieren und eine Anforderungsanalyse herauszuarbeiten. Dabei steht im Vordergrund, welche Use Cases sowohl praxisrelevant sind, als auch einen potentiellen Quantenvorteil mit sich bringen. Insbesondere wird dabei auch der Vergleich zu klassischen Baselines angestellt und eine Vorhersage über das Eintreffen eines Quantenvorteils aufgestellt. Im zweiten Schritt werden Grobarchitekturen entwickelt und fertiggestellt, um verschiedene Software-Tools in bestehende Softwarelösungen zu integrieren. Der Fokus liegt hierbei auf der Schnittstellendefinition zu bestehenden Softwarelösungen. Als dritter Meilenstein sollen bereits erste prototypische Softwaretools und hybride Use-Case-Algorithmen zur Anwendung kommen, die am Ende zu einem finalen, ausgereiften Softwaretool weiterentwickelt werden. Konkret sollen die Software-Tools und Algorithmen so aufbereitet werden, dass sie nach der Projektlaufzeit operativ eingesetzt werden können und vor allem KMUs zugänglich gemacht werden.

Quantum Computing ist die nächste Technologie, die das Potential zu disruptiven Innovationen verspricht. Sie bietet bahnbrechende Möglichkeiten zur Lösung von Problemen, die auf klassischen Computern in der Praxis nicht lösbar sind. Es ist kaum vorhersehbar, welche Möglichkeiten das Quantencomputing und die Quantentechnologie im Allgemeinen für die Menschheit in der Zukunft bereithält. Es gibt zahlreiche Anwendungsfelder, in denen sie zum Einsatz kommen könnten. Mit QCHALLenge beginnt ein spannendes Projekt im Bereich des Quantencomputings, auf das sich alle Projektpartner sehr freuen. Wir dürfen gespannt sein, wohin diese gemeinsame Reise gehen wird.


5. QC Praktikum Kickoff mit BASF, BMW and Siemens

5. QC Praktikum Kick-off mit BASF, BMW and Siemens

Kick-off Event mit BASF, BMW und Siemens: 16 Studenten der LMU implementieren Use-Cases auf vier Quantencomputern: IBM Q System Two, Rigetti Aspen-M-2, Fujitsu DAU und D-Wave Advantage im der QC-Optimierungs Challenge.

Das Praktikum soll die Fähigkeit vermitteln, Optimierungsprobleme für Quantencomputer zu modellieren, sowie eine Einführung in die praktische Arbeit mit bestehenden Quantencomputern geben. Im QAR-Lab stehen dafür derzeit vier Rechner zur Verfügung: IBM Q System Two, Rigetti Aspen-M-2, Fujitsu DAU und der D-Wave Advantage.
In Zusammenarbeit mit unseren Industriepartnern BASF, der BMW Group und Siemens werden in diesem Semester von unseren Studenten konkrete Anwendungen mit hoher Relevanz für die Wirtschaft auf echten Quantencomputern berechnet. Anhand der drei Anwendungsfälle (1) Financial Forecasting (BASF), (2) Drive Train Optimization (BMW) und (3) Train Routing (Siemens) werden die Studenten drei Hauptanwendungen des Quantencomputings erkunden: Maschinelles Lernen, Simulation und Optimierung.

Wir freuen uns, dieses Praktikum bereits zum 5. Mal zu ermöglichen und sind gespannt auf die Ergebnisse am Ende dieses Semesters.

Mehr Informationen

Page 2 of 2