Demystifizierung von Quantum AI: Was es ist, was es nicht ist und warum es jetzt wichtig ist

KI hat eine neue Phase erreicht. Es geht nicht mehr nur darum, größere Modelle zu bauen oder auf mehr Daten zuzugreifen. Heute dreht sich der Wettbewerb um Geschwindigkeit, Effizienz und Innovation. Unternehmen suchen nach neuen Tools, die sowohl technische als auch wirtschaftliche Vorteile bieten. Für einige sieht Quantencomputing aus wie eines dieser Tools.

Quanten-KI bezieht sich auf die Kombination von Quantencomputing mit künstlicher Intelligenz. Sie bietet eine neue Möglichkeit, komplexe Probleme im Maschinellen Lernen, in der Optimierung und in der Datenanalyse anzugehen. Obwohl sie noch in der Entwicklung steckt, zieht das Potenzial ernsthafte Aufmerksamkeit auf sich. Eine globale Umfrage von SAS aus dem Jahr 2024 fand heraus, dass mehr als 60 Prozent der Geschäftsführer bereits in Quanten-KI investieren oder dies in Betracht ziehen. Allerdings sagten die meisten auch, dass sie nicht vollständig verstehen, was die Technologie ist oder wie sie eingesetzt werden könnte.

Dieser Artikel erklärt, was Quanten-KI ist, welche Probleme sie möglicherweise lösen kann und wo sie in naher Zukunft einen Einfluss haben könnte.

Warum KI-Teams Quanten-KI betrachten

Das Trainieren großer KI-Modelle erfordert Zeit, Energie und Geld. Selbst kleine Effizienzverbesserungen können zu erheblichen Einsparungen führen. Quantencomputing bietet neue Methoden, um bestimmte Probleme effizienter oder genauer als klassische Maschinen zu lösen.

Beispielsweise können Quantencomputer mehrere Berechnungen gleichzeitig durchführen und nutzen eine Eigenschaft, die als Superposition bekannt ist. Dies macht sie zu einem guten Fit für Probleme, die das Durchsuchen großer Räume oder die Optimierung komplexer Systeme beinhalten. Diese Fähigkeiten stimmen gut mit vielen Aufgaben im Maschinellen Lernen überein, wie z.B. Feature-Selektion, Modell-Anpassung und Daten-Stichprobenziehung.

Obwohl die heutigen Quantenmaschinen noch weiterentwickelt werden, finden Forscher Wege, um sie mit klassischen Tools zu kombinieren. Diese Hybrid-Systeme ermöglichen es KI-Teams, Quanten-Methoden jetzt zu testen, ohne auf vollständig entwickelte Quanten-Hardware warten zu müssen.

Was Quanten-KI ist und was nicht

Quanten-KI geht nicht darum, aktuelle KI-Systeme durch Quanten-Versionen zu ersetzen. Es geht nicht darum, tiefes Lernen vollständig auf Quanten-Hardware durchzuführen.

Stattdessen konzentriert es sich darauf, Quanten-Algorithmen zu verwenden, um Teile der KI-Pipeline zu unterstützen. Dazu gehören Aufgaben wie die Beschleunigung der Optimierung, die Verbesserung der Feature-Selektion oder die Verbesserung der Stichprobenziehung aus Profitabilitätsverteilungen. In diesen Fällen ersetzen Quantencomputer nicht vorhandene Tools, sondern unterstützen sie.

Die Arbeit ist noch experimentell. Die meisten Beispiele basieren auf Hybrid-Methoden, bei denen Quanten- und klassische Teile zusammenarbeiten. Aber diese Systeme zeigen bereits Ergebnisse in engen Anwendungsfällen.

Aktuelle Anwendungen in der Entwicklung

Obwohl das Feld neu ist, wird Quanten-KI bereits in mehreren Branchen getestet. Diese Beispiele verwenden reale Tools und veröffentlichte Forschung. Sie spiegeln auch die Arten von Problemen wider, für die Quanten-Methoden am besten geeignet sind.

Modell-Komprimierung und Feature-Mapping

KI-Modelle werden immer größer und teurer im Training. Quanten-Technologien können helfen, die Größe und Komplexität dieser Modelle zu reduzieren. Eine Methode ist die Quanten-Feature-Mapping, bei der Eingabedaten mithilfe von Quanten-Schaltkreisen transformiert werden. Diese Transformationen können helfen, Datenpunkte zu trennen, die mit Standard-Techniken schwer zu klassifizieren sind.

In den “frühen” Tagen wurde in einem 2021 veröffentlichten Artikel in Nature Physics erforscht, wie Quanten-Kernel die Unterstützung von Vektor-Maschinen, einer Art von KI-Modell, verbessern können. Dieser Ansatz funktioniert gut für hochdimensionale oder sparse Datensätze, bei denen klassische Modelle Schwierigkeiten haben.

Portfolio-Optimierung im Finanzwesen

Banken und Vermögensverwalter verwenden oft KI, um Portfolios zu verwalten und Risiken zu bewerten. Diese Aufgaben beinhalten eine große Anzahl von Variablen und Einschränkungen. Quanten-Algorithmen wie QAOA (Quanten-Approximations-Optimierungs-Algorithmus) werden getestet, um diese Probleme effizienter zu lösen.

Citi Innovation Labs und AWS haben kürzlich die Verwendung von Quantencomputern für die Portfolio-Optimierung untersucht, insbesondere unter Einsatz des QAOA-Algorithmus und dessen Leistung. Die Zusammenarbeit zeigt das wachsende Interesse und die Investitionen in Quantencomputing als Werkzeug zur Lösung realer Probleme.

Arzneimittel-Entdeckung und Molekül-Modellierung

Die Arzneimittel-Entwicklung hängt von der Vorhersage ab, wie Moleküle miteinander interagieren. KI-Modelle können helfen, aber klassische Simulationen haben Grenzen. Quantencomputing ist besser geeignet, um chemische Systeme auf Quanten-Ebene zu modellieren.

Eine neue Studie von IBM, The Cleveland Clinic und der Michigan State University hat eine neue Methode zur Simulation komplexer Moleküle mithilfe aktueller Quantencomputer demonstriert, was einen gangbaren Weg für quanten-zentrierte wissenschaftliche Computeranwendungen bietet.

Lieferketten-Optimierung

Lieferketten sind schwierig zu verwalten aufgrund ihrer Größe und Komplexität. KI kann helfen, aber bestimmte Aufgaben wie Routenplanung und Lagerverwaltung bleiben schwer zu optimieren. Quanten-Methoden werden erforscht, um diese Aufgaben zu verbessern.

Fujitsu hat mit Japan Post zusammengearbeitet, um die letzte Meile der Lieferung in Tokio zu optimieren, wo traditionelle Routen-Algorithmen nicht in der Lage waren, dynamische Variablen wie Verkehrsstaus und Paket-Volumen-Schwankungen zu berücksichtigen. Durch den Einsatz von Quanten-KI konnten sie beginnen, einige der grundlegendsten Aspekte der Logistik zu transformieren.

Herausforderungen und Einschränkungen

Quanten-Hardware bleibt eine Herausforderung. Obwohl es jeden Tag neue Fortschritte gibt, sind die heutigen Maschinen noch empfindlich gegenüber Rauschen, schwer zu skalieren und unzuverlässig für lange Berechnungen. Die meisten Anwendungen müssen innerhalb dieser Grenzen operieren und nutzen kürzere und einfachere Quanten-Schaltkreise.

Die Entwicklung von Quanten-Software ist auch schwierig. Quanten-Programmierung erfordert Kenntnisse in Physik, Mathematik und Informatik. Wenige Teams haben die richtige Mischung an Fähigkeiten.

Um diese Hürde zu senken, werden neue Tools erstellt. Dazu gehören hochrangige Programmierframeworks und automatisierte Schaltkreis-Design-Systeme. Diese ermöglichen es KI-Entwicklern, Quanten-Methoden zu testen, ohne niedrigstufigen Quanten-Code schreiben zu müssen.

Was KI-Teams heute tun können

Quanten-KI ist noch nicht bereit für eine vollständige Bereitstellung. Allerdings können vorausschauende Teams beginnen, das Wissen und die Systeme aufzubauen, die benötigt werden, um davon in der Zukunft zu profitieren. Hier sind drei Schritte, die in Betracht gezogen werden können:

1. Interdisziplinäre Teams aufbauen – Kombinieren Sie KI-Experten mit Forschern in Optimierung und Quantencomputing. Dies ermöglicht es Teams, neue Ideen zu erforschen und zukünftige Fähigkeiten vorzubereiten.
2. Hybrid-Workflows experimentieren – Konzentrieren Sie sich auf enge Probleme, bei denen Quanten-Komponenten klassische Modelle unterstützen können. Dazu gehören Feature-Selektion, Stichprobenziehung oder eingeschränkte Optimierung.
3. Tools verwenden, die Komplexität abstrahieren – Adoptieren Sie Plattformen und Frameworks, die niedrigstufige Quanten-Details verbergen. Diese Tools helfen Teams, sich auf die Anwendung und nicht auf die Hardware zu konzentrieren.

Quanten-KI ist noch in der Entwicklung. Es ist kein Shortcut oder Ersatz für klassische KI. Allerdings ist es ein wachsendes Feld mit realem Potenzial in Bereichen, in denen aktuelle Modelle Schwierigkeiten haben oder versagen. Der wahrscheinlichste Weg nach vorne ist nicht plötzliche Disruption, sondern stetige Integration.

Wenn Quanten-Hardware verbessert wird und Software zugänglicher wird, werden frühe Anwender besser positioniert sein, um diese neuen Tools zu nutzen. Für Teams, die bereits an den Grenzen klassischer Systeme arbeiten, könnte Quanten-KI der nächste Ort sein, an dem sie Wert finden können.