Forschung

Quantum Machine Learning

Die Leistungsfähigkeit des Maschinellen Lernens kann durch den Einsatz von Quantencomputern noch weiter gesteigert werden. Beispiele dafür sind die quantengestützte Preisvorhersage von Baumaschinen, die Bilderkennung in der Fertigung sowie die Betrugserkennung im Finanzbereich – Anwendungsfälle, die im Fokus unserer Forschungsarbeiten stehen. Im Detail forschen wir daran, welche Daten sich besonders gut für die quantengestützte Weiterverarbeitung eignen und wie Quantum-Machine-Learning-Modelle gestaltet werden müssen, um möglichst robust und effizient trainierbar zu sein. Die Auswahl der damit verbundenen Hyperparameter, genauso wie den Aufbau der entsprechenden (Q)ML-Pipeline, automatisieren wir im Projekt »AutoQML« möglichst niederschwellig.

Fault Tolerant Quantum Computing

Qubits sind extrem fragil, weshalb ihr Nutzen für die Quanteninformatik eingeschränkt ist. Hauptursache für diese Fragilität ist die Dekohärenz, welche den Qualitätsverfall von Qubits bezeichnet. Die fehlertolerante Quanteninformatik erarbeitet Ideen, um Qubits vor Quantenfehlern zu schützen. Die Methode der Quantenfehlerkorrektur dient als Mittel zum Schutz von Qubit-Informationen, indem sie das logische Qubit (ein Bit der Quanteninformation) in ein Ensemble physikalischer Qubits kodiert, so dass ein Ausfall eines physikalischen Qubits die zugrundeliegende logische Information nicht beschädigt. Unser Forschungsziel besteht darin, geeignete Quantenalgorithmen zu entwerfen, um sowohl die Quantenfehlerkorrektur als auch kodierte logische Operationen so zu implementieren, dass Quantenfehler vermieden werden.

Quantum Service Engineering

Quantencomputing (QC) besitzt im Hinblick auf serviceorientierte Geschäftsmodelle großes Potenzial für neuartige Konzepte. Daher ist es unsere Zukunftsvision, innovative quantengestützte Lösungen als »Quantum Services« zu etablieren. Unsere Forschung am »QC as a Service«-Ansatz im Rahmen des Projekts »Quantencomputing Heilbronn-Franken« befähigt Unternehmen perspektivisch zur Integration von QC in ihre existierenden IT-Workflows. Für die Durchführung dieser Forschungsarbeiten betreiben wir ein eigenes klassisches Hochleistungsrechencluster (HPC-Cluster). Dieses nutzen wir im Projekt »AutoQML« zur Simulation von Quantenschaltkreisen und für die Entwicklung von (Q)ML-Modellen. Um das Potenzial des Quantum Service Engineerings aufzuzeigen, werden die in den Forschungsprojekten entwickelten QC-Tools, Frameworks und Software-Demonstratoren künftig als »Quantum Services« auf unseren Servern gehostet und über das »Fraunhofer-GitLab« zur Verfügung gestellt. Im Kontext des Quantencomputing-Schulungsprogramms bieten wir in unserem modernen »Quantum Software Lab« einen praxisnahen Einstieg in die Thematik an.

Quantum Machine Learning 
 

• D. Pranjić, B. C. Mummaneni  and C. Tutschku, Quantum Annealing based Feature Selection in Machine Learning, 2024, 
  Link zur Publikation
• D. Basilewitsch, J. F. Bravo, C. Tutschku und F. Struckmeier, Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images, 2024, 
  Link zur Publikation
• D. Pranjić, F. Knäble, P. Kunst, D. Kutzias, D. Klau, C. Tutschku, L. Simon, M. Kraus und A. Abedi, Unsupervised Quantum Anomaly Detection on Noisy Quantum Processors, 2024,
  Link zur Publikation 
• H. Stühler, D. Klau, M.-A. Zöller, A. Beiderwellen-Bedrikow und C. Tutschku, End-to-End Implementation of Automated Price Forecasting Applications, in SN Computer Science, Vol. 5(402), 2024,
  Link zur Publikation
• H. Stühler, D. Pranjić und Christian Tutschku, Evaluating Quantum Support Vector Regression Methods for Price Forecasting Applications, 2024, 
  Link zur Publikation
• D. Klau, H. Krause,  D. A. Kreplin, M. Roth, C. Tutschku und M. Zöller, AutoQML – A Framework for Automated Quantum Machine Learning, 2023,
  Link zur Publikation
• J. Berberich, D. Fink, D. Pranjić, C. Tutschku und C. Holm, Training robust and generalizable quantum models, 2023,
  Link zur Publikation
• D. Klau, M. Zöller und C. Tutschku, Bringing Quantum Algorithms to Automated Machine Learning: A Systematic Review of AutoML Frameworks Regarding Extensibility for QML Algorithms, 2023, 
  Link zur Publikation
• H. Stühler, M.-A. Zöller, D. Klau, A. Beiderwellen-Bedrikow und C. Tutschku, Benchmarking Automated Machine Learning Methods for Price Forecasting Applications, 2023,
  Link zur Publikation
   

Quantum Software Engineering

• N. Schillo und A. Sturm, Quantum Circuit Learning on NISQ Hardware, 2024, Link zur Publikation
• A. Sturm, B. C. Mummaneni und L. Rullkötter, Unlocking Quantum Optimization: A Use Case Study on NISQ Systems, 2024,
  Link zur Publikation
• N. Schillo, Quantum Algorithms and Quantum Machine Learning for Differential Equations, 2024,
  Link zur Publikation
• G. Koßmann, L. Binkowski, C. Tutschku und R. Schwonnek, Open-Shop Scheduling With Hard Constraints, 2023,
  Link zur Publikation
• A. Sturm, Theory and Implementation of the Quantum Approximate Optimization Algorithm: A Comprehensible Introduction and Case Study Using Qiskit and IBM Quantum Computers, 2023,
  Link zur Publikation
• C. Tutschku, A. Sturm, F. Knäble, B. C. Mummaneni, D. Pranjic, C. Stephan, D. B. Mayer, G. Koßmann, M. Roth, P.-A. Matt, A. Grigorjan, T. Wellens, K. König, M. Beisel, F. Truger, F. Shagieva, O. Denninger und S. Garhofer, Quantencomputing in der industriellen Applikation. Vom Algorithmen-, Markt- und Hardwareüberblick hin zu anwendungszentriertem Quantensoftware-Engineering, 2023,
  Link zur Publikation
   

Quantum Chemistry
 

• B. C. Mummaneni, S.i Chen, W.Hübner  and  G. Lefkidis, Investigation of the exact spin channels in laser-induced spin dynamics in two mononuclear Cu(ii) complexes, 2024,
  Link zur Publikation