Entmystifizierung der Quanten-KI: Was sie ist, was sie nicht ist und warum sie jetzt wichtig ist

KI hat eine neue Phase erreicht. Es geht nicht mehr nur darum, größere Modelle zu erstellen oder auf mehr Daten zuzugreifen. Der Wettbewerb dreht sich heute um Geschwindigkeit, Effizienz und Innovation. Unternehmen suchen nach neuen Werkzeugen, die sowohl technische als auch wirtschaftliche Vorteile bieten. Für manche scheint Quantencomputing eines dieser Werkzeuge zu sein.

Quanten-KI bezeichnet die Kombination von Quantencomputing und künstlicher Intelligenz. Sie bietet neue Möglichkeiten, komplexe Probleme im maschinellen Lernen, der Optimierung und der Datenanalyse zu lösen. Obwohl sich das Potenzial noch in der Entwicklung befindet, erregt es bereits große Aufmerksamkeit. Ein globales Umfrage von SAS  ergab, dass mehr als 60 Prozent der Unternehmensleiter bereits Quanten-KI erforschen oder in sie investieren. Die meisten gaben jedoch auch an, dass sie nicht vollständig verstehen, was die Technologie ist oder wie sie eingesetzt werden könnte.

In diesem Artikel wird erklärt, was Quanten-KI ist, welche Probleme sie möglicherweise lösen kann und wo sie in naher Zukunft Wirkung zeigen könnte.

Warum KI-Teams sich mit Quanten beschäftigen

Das Training großer KI-Modelle kostet Zeit, Energie und Geld. Schon kleine Effizienzsteigerungen können zu erheblichen Einsparungen führen. Quantencomputing bietet neue Methoden, um bestimmte Probleme effizienter oder genauer zu lösen als klassische Maschinen.

Quantencomputer können beispielsweise mehrere Berechnungen gleichzeitig durchführen und dabei eine Eigenschaft namens Superposition nutzen. Dadurch eignen sie sich gut für Probleme, die die Suche in großen Räumen oder die Optimierung komplexer Systeme erfordern. Diese Fähigkeiten eignen sich gut für viele Aufgaben des maschinellen Lernens, wie etwa Merkmalsauswahl, Modelloptimierung und Datensampling.

Während sich die heutigen Quantenmaschinen noch in der Entwicklung befinden, finden Forscher bereits Wege, sie mit klassischen Werkzeugen zu kombinieren. Diese Hybridsysteme ermöglichen es KI-Teams, Quantenmethoden bereits jetzt zu testen, ohne auf voll entwickelte Quantenhardware warten zu müssen.

Was Quanten-KI ist und was nicht

Bei der Quanten-KI geht es nicht darum, aktuelle KI-Systeme durch Quantenversionen zu ersetzen. Es geht nicht darum, Deep-Learning-Modelle vollständig auf Quantenhardware auszuführen.

Stattdessen konzentriert es sich auf die Nutzung von Quantenalgorithmen zur Unterstützung von Teilen der KI-Pipeline. Dazu gehören beispielsweise die Beschleunigung der Optimierung, die Verbesserung der Merkmalsauswahl oder die Verbesserung der Stichprobenziehung aus Rentabilitätsverteilungen. In diesen Fällen ersetzen Quantencomputer bestehende Tools nicht, sondern unterstützen sie.

Die Arbeit ist noch experimentell. Die meisten Beispiele basieren auf hybriden Methoden, bei denen Quanten- und klassische Komponenten zusammenarbeiten. Diese Systeme zeigen jedoch bereits in einigen wenigen Anwendungsfällen Ergebnisse.

Derzeit in der Entwicklung befindliche Anwendungen

Obwohl das Feld noch jung ist, wird Quanten-KI bereits in verschiedenen Branchen erprobt. Die folgenden Beispiele nutzen reale Tools und veröffentlichte Forschungsergebnisse. Sie zeigen auch, für welche Probleme sich Quantenmethoden am besten eignen.

Modellkomprimierung und Feature-Mapping

KI-Modelle werden immer größer und das Training wird immer aufwändiger. Quantentechnologien können helfen, Größe und Komplexität dieser Modelle zu reduzieren. Eine Methode ist das Quanten-Feature-Mapping, bei dem Eingabedaten mithilfe von Quantenschaltkreisen transformiert werden. Diese Transformationen können helfen, Datenpunkte zu trennen, die mit Standardtechniken schwer zu klassifizieren sind.

In den „frühen“ Tagen ein 2021 Papier in Naturphysik untersuchte, wie Quantenkerne Support Vector Machines, eine Art maschinelles Lernmodell, verbessern könnten. Dieser Ansatz eignet sich gut für hochdimensionale oder spärliche Datensätze, bei denen klassische Modelle an ihre Grenzen stoßen.

Portfoliooptimierung im Finanzwesen

Banken und Vermögensverwalter nutzen häufig KI, um Portfolios zu verwalten und Risiken zu bewerten. Diese Aufgaben sind mit einer Vielzahl von Variablen und Einschränkungen verbunden. Quantenalgorithmen wie QAOA (Quantum Approximate Optimization Algorithm) werden getestet, um diese Probleme effizienter zu lösen.

Citi Innovation Labs und AWS Kürzlich wurde der Einsatz von Quantencomputern zur Portfoliooptimierung untersucht, insbesondere der QAOA-Algorithmus und dessen Leistung. Die Zusammenarbeit verdeutlicht das wachsende Interesse und die Investitionen in Quantencomputer als Werkzeug zur Lösung realer Probleme.

Arzneimittelforschung und molekulare Modellierung

Die Arzneimittelentwicklung basiert auf der Vorhersage der Wechselwirkung von Molekülen. KI-Modelle können dabei helfen, klassische Simulationen stoßen jedoch an ihre Grenzen. Quantencomputer eignen sich besser für die Modellierung chemischer Systeme auf Quantenebene.

A neue Studie von IBM, der Cleveland Clinic und der Michigan State University wurde eine neue Möglichkeit zur Simulation komplexer Moleküle mithilfe von Quantencomputern der aktuellen Generation demonstriert, die einen gangbaren Weg für die quantenzentrierte wissenschaftliche Datenverarbeitung bietet.

Optimierung der Lieferkette

Lieferketten sind aufgrund ihrer Größe und Komplexität schwer zu verwalten. KI kann helfen, aber bestimmte Aufgaben wie Routenplanung und Bestandskontrolle lassen sich nach wie vor nur schwer optimieren. Quantenmethoden werden erforscht, um diese Aufgaben zu verbessern.

Fujitsu ist eine Partnerschaft eingegangen Mit Japan Post wurde die Zustellung auf der letzten Meile in Tokio optimiert, wo herkömmliche Routing-Algorithmen dynamische Variablen wie Verkehrsstaus und Schwankungen im Paketaufkommen nicht berücksichtigen konnten. Durch den Einsatz von Quantum AI konnten sie mit der Umgestaltung einiger der grundlegendsten Aspekte der Logistik beginnen.

Herausforderung und Einschränkungen

Quantenhardware bleibt eine Herausforderung. Obwohl es scheinbar täglich neue Fortschritte gibt, sind die heutigen Maschinen immer noch rauschempfindlich, schwer skalierbar und für lange Berechnungen unzuverlässig. Die meisten Anwendungen müssen innerhalb dieser Grenzen arbeiten und kürzere und einfachere Quantenschaltungen nutzen.

Auch die Entwicklung von Quantensoftware ist schwierig. Quantenprogrammierung erfordert Kenntnisse in Physik, Mathematik und Informatik. Nur wenige Teams verfügen über die richtige Mischung dieser Fähigkeiten.

Um diese Hürde zu senken, werden neue Tools entwickelt. Dazu gehören hochentwickelte Programmier-Frameworks und automatisierte Schaltungsdesignsysteme. Diese ermöglichen es KI-Entwicklern, Quantenmethoden zu testen, ohne einfachen Quantencode schreiben zu müssen.

Was KI-Teams heute leisten können

Quanten-KI ist noch nicht einsatzbereit. Zukunftsorientierte Teams können jedoch bereits mit dem Aufbau des Wissens und der Systeme beginnen, die sie benötigen, um die Vorteile künftig zu nutzen. Hier sind drei Schritte, die Sie berücksichtigen sollten:

1. Bilden Sie funktionsübergreifende Teams – Kombinieren Sie KI-Experten mit Forschern aus den Bereichen Optimierung und Quantencomputing. So können Teams neue Ideen entwickeln und zukünftige Funktionen vorbereiten.
2. Experimentieren Sie mit hybriden Workflows – Konzentrieren Sie sich auf enge Probleme, bei denen Quantenkomponenten klassische Modelle unterstützen können. Dazu gehören Merkmalsauswahl, Sampling oder eingeschränkte Optimierung.
3. Verwenden Sie Tools, die Komplexität abstrahieren – Setzen Sie Plattformen und Frameworks ein, die Quantendetails auf niedriger Ebene verbergen. Diese Tools helfen Teams, sich auf die Anwendung zu konzentrieren, nicht auf die Hardware.

Quanten-KI befindet sich noch in der Entwicklung. Sie ist weder eine Abkürzung noch ein Ersatz für klassische KI. Sie ist jedoch ein wachsendes Feld mit echtem Potenzial in Bereichen, in denen aktuelle Modelle versagen oder Schwierigkeiten haben. Der wahrscheinlichste Weg nach vorn ist nicht eine plötzliche Disruption, sondern eine stetige Integration.

Mit der Verbesserung der Quantenhardware und der zunehmenden Zugänglichkeit von Software werden Early Adopters besser in der Lage sein, diese neuen Tools zu nutzen. Für Teams, die bereits an den Grenzen klassischer Systeme arbeiten, könnte Quanten-KI der nächste Weg sein, Mehrwert zu schaffen.