Die grundlagenorientierten Entwicklungen im Bereich des Quanten Computings und der Quantum Artificial Intelligence haben in den vergangenen Monaten deutlich an Fahrt zugelegt. So werden sich in nächster Zeit auch immer mehr Nutzergruppen mit fachaufgabenbezogenen Fragestellungen diesem Thema nähern, die kein allgemein forschungsgetriebenes Interesse an der Quantentechnik haben, sondern deren Vorteile für ihre Arbeit unmittelbar zum Einsatz bringen wollen.
Der hier vorgestellte Demonstartor zeigt, wie künftig im Bereich der Quantum Artificial Intelligence an Real-World-Fragestellungen gearbeitet werden kann.
Login
Der Demonstrator ist eine webbasierte Anwendung. Ausschließlich der Zugriff auf diese bedarf einer zentral Anmeldung.
Der Nutzer wird dann schrittweise durch die einzelnen Bearbeitungsbereiche der Anwendung geführt.
Die in der Anwendung definierten Inhalte werden beim Benutzer gespeichert und können von dort geladen werden .
Damit behält der Nutzer die vollständige Hoheit über und damit auch Verantwortung für die Strukturdaten des von ihm definierten Systems.
Unabhängig davon können nach Bedarf die Daten auch als Teil der Nutzerinformation verschlüsselt hinterlegt werden.
Auf der Seite „Benutzer“ erhält der Anwender einen Überblick auf die von ihm durchgeführten Aktivitäten.
Systemdefinition
Im Rahmen der Systemdefinition wird festgelegt auf welcher Hardware Training und Berechnung durchgeführt werden soll. Der Nutzer benötigt dazu gegebenenfalls eine eigene Zugriffsberechtigung auf die jeweilige Hardware, für die er auch mögliche Kosten zu tragen hat.
Zur Systemdefinition gehört auch die Festlegung der Struktur des Neuronalen Netzes.
Die Eingangs- und Parameterdaten werden über textbasierte Dateien zugeführt.
Die Trainingsparameter können unmittelbar nachgesteuert werden, um auch Parameterstudien durchführen zu können.
Im Demonstrator wird für Training und Berechnung ein Dissipative Perceptron-Based Quantum Neural Network (DPBQNN) verwendet.
Training
Das Training des QAI-Systems wird angestoßen und kann dann im aktuellen Status verfolgt werden.
Das Ergebnis wird mit seiner Hauptentwicklung protokolliert und angezeigt. Weitere Trainingsergebnisse können ergänzend heruntergeladen werden.
Berechnung
Nach erfolgtem Training kann das System für Berechnungen herangezogen werden. Dazu werden dem System entsprechnde Eingabedaten zugeführt.
im Rahmen eines Postprocessings können die Berechnungsergebnisse aus den verwendeten (georeferenzierten) Daten in Karteninformationen zurück übertragen werden.
Datenvorbereitung
Systeme im Bereich der Quantum Artificial Intelligence verwenden für optimale Rechenläufe entsprechend vorbereitete, quantenstrukturierte Input-Daten. Da diese regelmäßig nicht unmittelbar zur Verfügung stehen, müssen sie im Rahmen eines Preprocessings entsprechnd aufbereitet werden.
Der Demonstartor zeigt auch hier Lösungsansätze, wie ein solche Datenvorbereitung möglichst benutzerfreundlich angeboten werden kann.
Im Hinblick auf den von takatoa gewählten Schwerpunkt der Geodatennutzung sind im Demonstrator Lösungsansätze zur Datennutzung aus verschiedenen Geoinformationssystemenund aus Bildarchiven gezeigt.
Darüberhinaus kann eine Vorbereitung für Datenbankdaten oder einfachen Listen erfolgen.
Dashboard
Als Hintergrundinformation ist in den Demonstrator auch die Aufbereitung einiger allgemeiner Daten zur Nutzung des Quantum Computings in Form eines Dashboards eingefügt.
Produktzugang
Unabhängig von der Tasache, dass es sich bei dem Demonstrator nicht um ein marktfertiges Produkt handelt, zeigt er auch, wie eine Verrechnung der Nutzung des dienstebasierten Systems auch kostenseitig abgewickelt werden kann.
Warum der Demonstrator?
Arbeiten im Bereich des Quanten Computings werden heute zu einem Großteil als Machbarkeitsstudien unter „Laborbedingungen“ erstellt. Das heißt, es werden Quantensysteme definiert und ausgetestet, die regelmäßig mit den verfügbaren Programmierwerkzeugen auf unmittelbarer Softwareentwickler-Umgebungen bearbeitet werden.
Darüber hinaus kommen im Wesentlichen Standarddatensätze als Untersuchungsgrundlage zum Einsatz. Zum Beispiel der in den 1990er Jahren am Courant Institute of Mathematical Sciences der New York University erstellte MNIST-Datensatz. Diese Herangehensweise liefert eine hohe Vergleichbakeit der verschiedenen Ansätze, erreicht aber nur begrenzt existierende Fragestellungen von Real-World-Themen.
Für den letztgenannten Bereich bedarf es bei der Bereitstellung von Werkzeugen der Erfüllung von Anforderungen, die einen entsprechenden Nutzer ins Zentrum der Betrachtungen stellt. Der Principal Research Scientist von IBM, Paul Nation, hat im Rahmen des IBM Quantum Summit 2023 dazu das Berufsfeld des Quantum Computational Scientists beschrieben, das sich von Aufgabenstellungen in der Grundlagenforschung deutlich abgrenzt. Nation sagt:
„Ein Quantum Computational Scientist ist nicht an der Quantenmaschine selbst interessiert, sondern an der Nutzung der Maschine zur Lösung eines bestimmten Rechenproblems.“
Für solche Nutzer liefert der Demonstrator einen Einblick in künftige Anwendungsstrukturen des Quantum Computings.