
qai
erforscht, analysiert und bewertet vorhandene Strukturen und potentielle Entwicklungen.
qai trifft gis

labs
untersucht zukunftsorientierte Wege, um Analysen für nachhaltiges Wissen zu erstellen.
grundlagen

takatoa wurde im Frühjahr 2021 als Startup gegründet, das sich mit der Nutzung von Künstlicher Intelligenz unter Einbindung zukunftsweisender Quantentechnologien (Quantum Artificial Intelligence) zur Generierung geschäftsrelevanter Erkenntnisse aus raum-zeit-bezogenen Daten beschäftigt.
Das Kompetenzfeld Spatial Business Intelligence (SBI) realisiert dabei die Verbindung zwischen Geoinformationssystemen (GIS) und Business Intelligence (BI). SBI ermöglicht es, Systeme und Technologien aus beiden Bereichen zu integrieren, Ressourcen zu visualisieren, zu strukturieren und optimieren, Arbeitsabläufe zu rationalisieren, Risiken zu minimieren und die strategische Entscheidungsfindung nachhaltig zu gestalten.
takatoa hat sich entschlossen, die sich abzeichnenden Entwicklungen im Bereich Quantum Artificial Intelligence bereits zu einem sehr frühen Zeitpunkt aufzugreifen und diese als zentrale Komponente des SBI möglichst breit in ein weiterentwickeltes Location Management einzuführen.
takatoa erarbeitet Konzepte, Strategien und Lösungen sowohl für Wirtschaft und Wissenschaft wie auch für Gesellschaft und Politik indem vorhandenen Strukturen und potentielle Entwicklungen erforscht, analysiert und vorangetrieben werden.
Der Schwerpunkt der Arbeit liegt im Bereich „Quantum Artificial Intelligence“.
takatoa ist als informelle Gruppe strukturiert.

„The electric light did not come from the continuous improvement of candles.“
Oren Harari (30. Juli 1949 – 10. April 2010)
takatoa ist assoziierter Partner von PlanQK
PlanQK entwickelt eine Plattform und ein Ökosystem für Quantenunterstützte Künstliche Intelligenz. Nutzer sollen dabei auf einen Quanten-AppStore zugreifen können, Entwickler auf einfache Weise Quantum-Plattformen nutzen und Spezialisten Konzepte bereitstellen, die Quantum Computing einfach zugänglich machen.
Das PlanQK-Konsortium setzt sich derzeit aus 19 verschiedenen Partnern aus Industrie und Forschung zusammen.
PlanQK wird daneben von kleinen, mittleren und großen Unternehmen sowie wissenschaftlichen Einrichtungen und Verbänden als assoziierte Partner begleitet und unterstützt.

Quelle: PlanQK.de
Quantum Artificial Intelligence
Schwerpunkt der Untersuchungen von takatoa ist die Anwendung von Methoden der „Künstlichen Intelligenz“ im Bereich raum- und zeitabhängiger Fragestellungen unter Nutzung des Quantencomputings.
„Künstliche Intelligenz“ beschäftigt sich mit der Entwicklung von computerunterstützten Rechensystemen, die Probleme in Anlehnung an biologische Gehirn- und Nervenstrukturen (Neuronale Netze) abarbeiten.
Künstliche Neuronale Netze bilden Strukturen, in denen Zusammenhänge von Nervensystemen mathematisch abgebildet werden. Sie teilen mit biologischen Neuronalen Netzen ein grundlegendes Konstruktionsprinzip. Die Funktionalität entsteht durch das Zusammenspiel sehr vieler, dafür aber sehr einfacher, miteinander vernetzter Komponenten. Echte neuronale Strukturen sind jedoch wesentlich komplexer und die Neuronen in einer deutlich höheren Anzahl vorhanden und sehr viel komplexer verschaltet als in den heute verwendeten Künstlichen Neuronalen Netzen.
Der Begriff Intelligenz im Kontext von „Künstlicher Intelligenz“ ist inhaltlich vollständig von dem der biologischen / menschlichen Intelligenz zu unterscheiden. „Künstliche Intelligenz“ ist eine mit menschlicher Intelligenz entwickelte und realisierte Analysemethode wie viele andere, auch wenn diese mathematisch hochkomplex („Big Data“) und tief strukturiert („Deep Learning“) umgesetzt wird.
Künstliche Neuronale Netze werden in ihrer Struktur bei der Programmierung regelmäßig exakt definiert, es ändern sich im Rahmen des Trainings bzw. der Nutzung lediglich die Parameter der mathematischen Formeln, aus denen sie aufgebaut sind. Künstliche Neuronale Netze entwickeln sich nicht eigenständig weiter, außer in der Form, wie eine solche Entwicklung bereits in die Struktur des Netzes mit einprogrammiert ist.
Computersysteme beruhen heute regelmäßig auf der grundlegenden Fähigkeit, Informationen zu speichern und zu manipulieren. Klassische Computer führen logische Operationen unter Verwendung der definierten Position eines physikalischen Zustands durch. Diese sind in der Regel binär, d.h. ihre Operationen basieren auf einer von zwei Positionen. Ein einzelner Zustand – wie an oder aus, oben oder unten, 1 oder 0 – wird als Bit bezeichnet.
Quantencomputer dagegen führen Berechnungen durch, die auf der Wahrscheinlichkeit des Zustands eines Objekts basieren. Sie nutzen quantenmechanische Phänomene um Informationen zu manipulieren. Die entsprechende Information wird über Quantenbits (Qubits) bereitgestellt. Deren Zustände sind zunächst die undefinierten Eigenschaften eines Objekts, bevor diese explizit ausgelesen werden, wie zum Beispiel als Spin eines Elektrons oder als Polarisation eines Photons. Damit haben Quantencomputer das Potenzial im Vergleich zu klassischen Computern erheblich mehr Informationsinhalte gleichzeitig zu verarbeiten.
Quantum Artificial Intelligence (QAI) ist ein interdisziplinäres Gebiet, das sich mit der Entwicklung von Quantenalgorithmen im Bereich der Künstlichen Intelligenz einschließlich dem Teilgebieten des maschinellen Lernens befasst. Auf Grundlage der Phänomene der Quantenmechanik, Superposition und Verschränkung, und der damit verbundenen hohen Leistungsfähigkeit von Quantencomputern kann Künstlichen Intelligenz effizienter betrieben werden als mit klassischen Computern.
Der Begriff Quantengestütztes Maschinelles Lernen (QML) bezieht sich auf Quantenalgorithmen, die Aufgaben des maschinellen Lernens lösen und dadurch klassische maschinelle Lerntechniken verbessern und oft beschleunigen. Solche Algorithmen erfordern in der Regel, dass man den gegebenen klassischen Datensatz in einer für einen Quantencomputer nutzbaren Form kodiert, um ihn selbst für die Quanteninformationsverarbeitung unmittelbar zugänglich zu machen. Anschließend werden Quanteninformationsverarbeitungsroutinen angewendet und das Ergebnis der Quantenberechnung durch Messung des Quantensystems ausgelesen. Das Ergebnis der Messung eines Qubits gibt beispielsweise Aufschluss über das Ergebnis einer binären Klassifizierungsaufgabe. Während viele Vorschläge für Algorithmen des maschinellen Lernens auf Quantenbasis noch rein theoretisch sind und einen universellen Quantencomputer in Originalgröße erfordern, um getestet zu werden, wurden andere auf kleinen oder speziellen Quantengeräten umgesetzt.
Ein Hype Cycle für das Quantumcomputing
Die Abbildung zeigt den Hype-Zyklus für das Quantencomputing. Die verschiedenen Themenbereiche sind ausgehend vom jetzigen Stand (2020) auf Grundlage der aktuellen Forschung für drei verschiedenen Reifegrade (5 Jahre, 5 bis 10 Jahre und mehr als 10 Jahre) eingetragen.

Quelle: Sukhpal Singh Gill, Adarsh Kumar, Harvinder Singh, Manmeet Singh, Kamalpreet Kaur, Muhammad Usman, Rajkumar
Buyya. 2020. „Quantum Computing: A Taxonomy, Systematic Review and Future Directions.“
Originaldokument@takatoaRadar