Machine Learning mit Quantencomputern

Eine Studie zum aktuellen Stand der Forschung

Publish date:

Mit „Quantum-as-a-Service“ kann jeder Quantencomputer nutzen. Doch was ist tatsächlich schon möglich? Den aktuellen Stand der zentralen Anwendung Quantum Machine Learning erfassen wir in einer Studie.

Quantencomputer gewinnen schnell an Leistungsfähigkeit und beginnen, für reale Anwendungsfälle interessant zu werden. Mit “Quantum-as-a-Service” kann sie theoretisch jeder Interessierte bereits nutzen – Privatpersonen sowie wirtschaftliche oder staatliche Organisationen, nicht mehr nur die Forschung. Damit gilt es, die Chancen und Risiken dieser neuen Technologie zu bewerten. Relevant etwa auch für die IT-Sicherheit dürfte Quantum Machine Learning (QML) werden: Denn mit Methoden des maschinellen Lernens könnten Quantencomputer Aufgaben lösen, die bisher aufgrund ihres großen Umfangs unlösbar sind.

Im Auftrag des Bundesamts für Sicherheit in der Informationstechnik (BSI) eruieren wir gemeinsam mit dem Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS in einer wissenschaftlichen Studie die Bedeutung von QML für die IT-Sicherheit. In diesem Rahmen haben wir zunächst den aktuellen Stand der Forschung zum Thema Quantum Machine Learning erfasst sowie offene Fragen dazu im Detail herausgearbeitet und strukturiert ausgewertet.

Erste Unternehmen experimentieren mit QML

Ein fundierter Überblick über die aktuell realen Möglichkeiten des QML ist auch für Wirtschaftsunternehmen nicht erst in Zukunft von Interesse. Da hohe Investitionen in die Entwicklung des Quantencomputings zügig große Fortschritte erwarten lassen, ist jetzt ein guter Zeitpunkt, um sich auf die Quantenzukunft vorzubereiten. Noch haben die verschiedenen Abteilungen innerhalb der IT und insbesondere der Bereich Forschung & Entwicklung die Gelegenheit dazu, dies ohne starken Konkurrenzdruck zu tun.

Viele unserer Kunden stellen bereits Überlegungen zu ersten Demonstrationen von Quantum Machine Learning an. Im Rahmen des Q-Labs erforschen wir gemeinsam, wie Quantencomputing bestimmte Branchen und Disziplinen unterstützen kann. Dabei geht es Ihnen in erster Linie darum, Erfahrungen mit der Technologie zu sammeln: in der Auswahl der Problemstellungen, in der Quanten-Programmierung und allgemein im Workflow von der Konzeption bis zur Auswertung der Ergebnisse.

Klarheit und Einigkeit besteht allerdings auch in der akademischen Forschung zu vielen zentralen Fragen noch nicht. Dazu gehört die Frage nach der Eignung von Quantencomputern für bestimmte Problemstellungen – z. B. wie begründet die verbreitete Sorge vor dem baldigen Knacken der Public-Key-Verschlüsselung ist. Weiterhin offen ist auch, inwieweit Quantencomputer über die theoretischen Ergebnisse hinaus praktischen Nutzen in der Breite haben werden. Dennoch: Durch diese Unsicherheiten sollte sich niemand von der intensiveren Beschäftigung mit der Thematik abhalten lassen.

Wahrscheinlichkeit ist die Stärke von Quantum Machine Learning

Eine gewisse Unsicherheit gehört bei Machine Learning zum Programm, denn es liegt in seiner Natur, dass das Ergebnis probabilistisch ist. Machine Learning gibt Wahrscheinlichkeiten von Ergebnissen zurück, etwa „mit 99-prozentiger Sicherheit ist auf diesem Bild eine Katze zu sehen“. Die Rechnung mit Wahrscheinlichkeiten wiederum liegt in der Natur des Quantum Computings, denn ein Quantencomputer kann – nach Überführung der Daten in einen Quantenzustand – große Datenmengen viel schneller verarbeiten und damit besonders Wahrscheinlichkeitsrechnungen deutlich effizienter durchführen als ein klassisches System.

Quantencomputing baut für die kommenden Jahre auf hybride Methoden auf

“Pures” Quantum Machine Learning, also die durchgehende Verwendung von Quantensystemen ohne Zuhilfenahme klassischer Rechentechnik, ist noch Zukunftsmusik. Das ist technischen Limitierungen geschuldet: etwa Berechnungsgrößen von aktuell nur wenigen Hundert Qubits und den maximal möglichen Berechnungszeiten, die derzeit im Micro- bis Millisekundenbereich liegen – Quantenzustände sind grundsätzlich sehr fragil.

Daher waren bei der Analyse des aktuellen Technik- und Forschungsstands gemeinsam mit dem Fraunhofer IAIS insbesondere Hybridsysteme zu besprechen, also die Verbindung von klassischen Systemen mit Quantencomputing. Im Fokus stehen dabei die verschiedenen Methoden und Quantenalgorithmen, die für Machine Learning verwendet werden. Mit diesen Hybridsystemen verändern sich Machine-Learning-Lebenszyklen – von der Datensammlung über das Trainieren des Modells bis zu Anwendung – sowie Workflows grundlegend.

Darüber hinaus beziehen wir in der Studie Stellung zu theoretischen Konzepten wie dem mystischen QRAM (Quantum Memory), in dem codierte Quantenzustände zur Berechnung abgelegt und von dort abgerufen werden würden. Wir diskutieren auch den in Veröffentlichungen oft vernachlässigten Aufwand des Codierens binärer Daten in Quantenzustände und hinterfragen in diesem Zusammenhang die erwartete Effizienzsteigerung.

Insgesamt liegt der Fokus auf der Praxisrelevanz. Auch in den nächsten Jahren werden Herstellung und Betrieb von Quantensystemen in der Hand weniger Anbieter liegen. Allerdings liegt es in ihrem Interesse, “Quantum-as-a-Service” auf dem Markt allgemein verfügbar anzubieten und die Systeme dadurch auszulasten. Alle wichtigen Cloud-Provider haben bereits jetzt verschiedene Formen davon von im Portfolio.

Perspektivisch wird sich jede Organisation mit Quantencomputing auseinandersetzen

Die Roadmaps der Hersteller sind für dieses Jahrzehnt soweit gesetzt; daher besteht einige Sicherheit darüber, was wir erwarten können. Aufgrund der erwartbaren Fortschritte rückt Quantum Machine Learning zumindest für kleinere Anwendungsfälle in den Bereich des Praktikablen. Sicherlich bedeutet das noch nicht, dass messbare Nachteile erfährt, wer vom Quantum Push für sich absieht. Marktteilnehmer werden ihren Konkurrenten nicht plötzlich aufgrund von Quantencomputing davonziehen – und der Chief Quantum Officer bekommt auch noch kein großes Büro.

Eine vorrausschauende Betrachtung und Diskussion neuer Möglichkeiten sowie der mit ihnen verbundenen Risiken wird allerdings spätestens in den nächsten Jahren Pflicht für jeden CIO, CTO, oder CISO.

Unsere Analyse des aktuellen Stands von Quantum Machine Learning stellt das BSI öffentlich auf dieser Website zur Verfügung. Direkt zum Studien-pdf gelangen Sie hier.

Im weiteren Verlauf der gemeinsamen Studie mit dem Fraunhofer IAIS werden wir dediziert die Sicherheit von und mit Quantum Machine Learning betrachten. Ergebnisse sind im Sommer zu erwarten.

 

Autor: Christian Knopf

Capgemini Experte

Weitere Posts

Künstliche Intelligenz

Effizienzsteigerung im Projektmanagement – Ist AI die Lösung?

Sandra Imelmann
Date icon September 20, 2021

Welche Rolle spielt künstliche Intelligenz im Projektmanagement? Effizienzsteigerungen durch...

Automatisierung

Wie technologische Innovationen den Arbeitsplatz der Zukunft verändern

Benjamin Nickel
Date icon Juni 9, 2021

Roboter, KI, IoT oder VR/AR. Die Anwendungsfälle von technologischen Innovationen am...

Artificial Intelligence

Erklärbare KI – die Glaskugel durchsichtig machen

Tobias Stolz
Date icon Februar 2, 2021

Künstliche Intelligenz und Maschinelles Lernen haben häufig den Ruf einer Black-Box, da sich...