Wenn Quantencomputer auf Künstliche Intelligenz trifft
Ein Quantencomputer rechnet mit Qubits statt mit klassischen Bits und löst bestimmte Aufgaben schneller als jeder herkömmliche Rechner. Was das für Künstliche Intelligenz bedeutet, welche Beispiele es...
Was ist ein Quantencomputer?
Ein Quantencomputer ist ein Rechner, der Informationen nach den Regeln der Quantenmechanik verarbeitet. Herkömmliche Computer speichern jede Information als Bit, das entweder 0 oder 1 ist. Quantencomputer verwenden stattdessen Qubits. Ein Qubit kann beide Qubit-Zustände gleichzeitig annehmen, solange es nicht gemessen wird. Dieses Verhalten heißt Superposition.
Daraus ergibt sich der Rechenvorteil: Mit n Qubits lassen sich zwei hoch n Zustände gleichzeitig darstellen, und passende Algorithmen arbeiten auf allen davon parallel. Die Verschränkung verbindet Qubits zusätzlich so, dass der Zustand des einen den des anderen mitbestimmt.
Für die Qubits selbst gibt es mehrere Bauweisen:
Supraleitende Qubits: winzige Schaltkreise aus supraleitendem Material. Sie funktionieren nur dicht am absoluten Nullpunkt, weshalb die Rechner in Kryostaten bei wenigen Millikelvin laufen. IBM, Google und Rigetti setzen auf diesen Ansatz.
Ionen-Qubits: einzelne elektrisch geladene Atome, die in einer Ionenfalle mit elektromagnetischen Feldern gehalten und mit Lasern geschaltet werden. Sie halten ihren Zustand länger, rechnen dafür langsamer. IonQ und Quantinuum arbeiten damit.
Weitere Ansätze: Photonen, neutrale Atome und topologische Qubits, an denen unter anderem Microsoft forscht.
Wichtig ist der Unterschied zwischen physikalischen Qubits und logischen Qubits. Physikalische Qubits verlieren ihren Zustand in Sekundenbruchteilen. Für eine verlässliche Rechnung fasst die Fehlerkorrektur deshalb viele physikalische Qubits zu einem logischen Qubit zusammen. Wenn ein Hersteller die Anzahl der Qubits nennt, meint er fast immer die physikalischen Qubits.
Ein Quantencomputer ersetzt damit keinen normalen Rechner. Klassische Supercomputer bleiben für den Großteil aller Aufgaben schneller und billiger. Der Vorteil zeigt sich nur bei Problemen, für die es einen passenden Quantenalgorithmus gibt. Das bekannteste Beispiel stammt von Peter Shor: Sein Algorithmus von 1994 zerlegt große Zahlen in ihre Primfaktoren und würde Verschlüsselungsverfahren wie RSA angreifbar machen, sobald genug fehlerkorrigierte Qubits verfügbar sind.
Was ist Quantum AI (Quanten-KI)?
Quantum AI ist die Verbindung von Quantencomputing und Künstlicher Intelligenz (KI). Traditionelle KI läuft auf klassischen Computern; Quantum AI verlagert die rechenintensiven Teile auf Quantenhardware. Die parallele Verarbeitung großer Datenmengen wirkt dort, wo klassische Verfahren an der Rechenzeit scheitern: bei Optimierungsproblemen und beim maschinellen Lernen [1].
Grundlagen des Quantencomputings
Quantencomputing baut auf der Quantenmechanik auf, also der physikalischen Theorie für das Verhalten von Materie auf kleinster Ebene. Zwei Eigenschaften tragen die Rechenleistung: die Superposition der Qubit-Zustände und die Verschränkung. Zwei verschränkte Qubits verhalten sich wie ein gemeinsames System, unabhängig von ihrer Entfernung. Aus beidem zusammen ergibt sich, dass bestimmte Berechnungen exponentiell schneller ablaufen als auf herkömmlichen Computern. Ein Quantencomputer verarbeitet große Datenmengen parallel und löst passende Algorithmen effizienter [2].
Anwendungen von Quantum AI
In diesen Branchen wird Quanten-KI heute erforscht und erprobt:
Gesundheitswesen: Quantenalgorithmen helfen, komplexe genetische Muster zu entschlüsseln und personalisierte Medizin zu entwickeln. Sie beschleunigen die Entdeckung neuer Medikamente, wie das Beispiel von IBM zeigt, das Quantencomputing zur Simulation von Molekülen verwendet [3].
Finanzbranche: Quantum AI wird zur Optimierung von Portfolios und zur Risikobewertung eingesetzt. Finanzinstitute nutzen Quantenalgorithmen, um Markttrends genauer vorherzusagen und Investitionsentscheidungen zu verbessern [3].
Logistik: Quantencomputer berechnen optimale Routen und Lieferketten, was die Effizienz in der Logistik erhöht. Unternehmen wie DHL und Volkswagen testen bereits Quantenalgorithmen zur Optimierung ihrer Liefernetzwerke [1].
Materialforschung: Quantum AI beschleunigt die Entwicklung neuer Materialien, indem es komplexe chemische Reaktionen und Strukturen simuliert. Dies führt zu schnelleren Durchbrüchen in der Materialwissenschaft und könnte revolutionäre Produkte hervorbringen [3].
Der gemeinsame Nenner sind Optimierungs- und Simulationsaufgaben: Routen, Portfolios, Moleküle und Materialien. Auf klassischen Computern wächst der Rechenaufwand dafür mit jeder weiteren Variablen stark an. Quantenalgorithmen sollen hier schneller zu guten oder optimalen Lösungen führen. Ab welcher Problemgröße das in der Praxis gelingt, ist Gegenstand der aktuellen Forschung.
Quantum AI und Machine Learning
Heute ist Quantum Machine Learning noch Forschung. Die verfügbaren Rechner haben zu wenige fehlerkorrigierte Qubits für die Datenmengen, mit denen Sprach- oder Bildmodelle trainiert werden. Die Versuche laufen deshalb hybrid: Ein klassischer Computer steuert das Training, der Quantenprozessor rechnet einzelne Teilschritte. Oft übernimmt ein Quantenschaltkreis mit einstellbaren Parametern die Rolle einer Schicht in einem neuronalen Netz, die übrigen Schichten laufen wie bei klassischer KI auf normaler Hardware. Zwei Beispiele zeigen, wie das aussieht.
Rigetti Computing
Forscher von Rigetti Computing haben 2017 auf einem Quantenprozessor mit 19 Qubits einen Clustering-Algorithmus ausgeführt, also unüberwachtes maschinelles Lernen [5]. Der Quantenprozessor übernahm die Optimierung, ein klassischer Rechner steuerte den Ablauf. In dieser Größe ist die Aufgabe klassisch noch leicht lösbar. Das Experiment hat gezeigt, dass der hybride Ansatz auf echter Hardware funktioniert.
IBM
IBM forscht an Quantenalgorithmen für maschinelles Lernen und an der Fehlerkorrektur, ohne die größere Modelle auf Quantenhardware nicht rechenbar sind [4][6]. Das Ziel sind Berechnungen, die auf klassischen Computern zu lange dauern. Empfehlungssysteme, Sprachassistenten und die meisten anderen KI-Anwendungen laufen dagegen heute und in den nächsten Jahren auf klassischer Hardware.
Fazit
Quanten-KI verbindet zwei Forschungsfelder, die beide schnell vorankommen. Mit mehr fehlerkorrigierten Qubits und besseren Algorithmen werden Aufgaben rechenbar, an denen klassische Computer heute scheitern, etwa die Simulation von Molekülen für neue Medikamente oder große Optimierungsprobleme in der Logistik.
Für Unternehmen heißt das: Die KI-Projekte, die sich heute rechnen, laufen auf klassischer Hardware, etwa Sprachmodelle für Dokumente, Suche oder Kundenservice. Quantencomputing gehört auf die Beobachtungsliste, am dringendsten beim Thema Verschlüsselung. Welche KI-Anwendungen bei Ihnen schon jetzt sinnvoll sind, besprechen wir gern mit Ihnen, mehr dazu auf der Seite unserer KI-Agentur.
Quellen und Referenzen
Otterbach, J. S., et al., (2017). Unsupervised Machine Learning on a Hybrid Quantum Computer. PDF kostenfrei bei arXiv abrufbar.
MIT Technology Review: IBM's Dario Gil on Quantum Computing and AI