Für rechenintensive Applikationen
Quantencomputing und Machine Learning kombinieren
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. Zentrales Element ist eine Open-Source-Plattform.
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 nötig.
Der Ansatz des automatisierten maschinellen Lernens (AutoML) wirkt diesen Heraus-forderungen entgegen und erleichtert Fachkräften den Einsatz von KI. Hierbei 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
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 mithilfe von Quantencomputing schneller lösen als mit konventionellen Algorithmen.
Unter Leitung des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation IAO sowie einer maßgeblichen Beteiligung des Fraunhofer IPA, 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, IAV Ingenieursgesellschaft Auto und Verkehr, KEB Automation, Trumpf Werkzeugmaschinen und Zeppelin am Projekt. Die entwickelten Lösungen werden anhand von konkreten Anwendungsfällen aus dem Automotive- und Produktionsbereich erprobt.
Das Beste aus beiden Welten
Das Projektkonsortium integriert Komponenten des Quantencomputings in heutige Lösungsansätze des maschinellen Lernens, 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 bereitgestellt werden. Das befähigt Anwender, maschinelles Lernen und Quanten-Machine-Learning einzusetzen und hybride Gesamtlösungen entwickeln zu können.
Das könnte Sie auch interessieren
Neuartige Sensoren aus Oxford
Saubere Energie und klimafreundliches Fliegen dank…
KI in der industriellen Bildverarbeitung
Fast schon Normalität
