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.

Zur Berechnung unterschiedlicher Anwendungsfälle kommen heute im wesetlichen folgende Quantenplattform zum Einsatz (nach Dr Arit Kumar Bishwas, PricewaterhouseCoopers):
Supraleitende Qubits: Ideal für die frühe algorithmische Entwicklung, Optimierung und Quantenchemie.
Ionenfallen-Systeme: Geeignet für Anwendungen, die eine hohe Genauigkeit mit weniger Qubits erfordern.
Photonik: Hervorragend geeignet für sichere Quantenkommunikation über bestehende optische Netzwerke.
Siliziumbasierte Qubits: Vielversprechend für Skalierbarkeit aufgrund der Kompatibilität mit der Halbleitertechnologie.
Quanten-Annealer: Vielversprechend für die Lösung von Optimierungsproblemen.

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.