Forschenden der
ZHAW ist es gelungen, einen Durchbruch beim Einsatz von Quantencomputern für Machine Learning zu erzielen. Geglückt ist dies mit einem Hybrid-Ansatz, bei dem nur einzelne, hochkomplexe Teile der Problemstellung von einem Quantencomputer berechnet werden und der Rest des Workloads von traditionellen Computern übernommen wird. Dies ist notwendig, weil die Qbits in Quantencomputern nur für kurze Zeit stabil bleiben und damit fehleranfällig sind – damit sind sie zwar für sehr komplexe, jedoch möglichst kleine Berechnungen geeignet. Der Quantencomputer übernimmt im von der Hochschule präsentierten Fall die Klassifizierung von Objekten.
Diese Kombination von klassischen Computern und Quantencomputern könnte laut den Forschenden die effizienteste Lösung für den produktiven Einsatz der Superrechner sein. Verglichen wurden dafür mehrere Versuche, die mit oder ohne Hilfe eines IBM-Quantencomputers durchgeführt wurden. Die Hybrid-Methode führte laut den Forschenden dabei zu besseren Ergebnissen. "Wir konnten damit zeigen, dass klassische Machine-Learning-Probleme durch den Hybrid-Ansatz besser lösbar sind als mit klassischen Computern", so ZHAW-Forscher Kurt Stockinger.
Auch führten die Forschenden Versuche mit neuronalen Netzen anhand von Wetterdaten durch. Hierbei wird laut Stockinger eine bestimmte Schicht des Netzes in den Quantencomputer impementiert. "Dadurch sind deutlich genauere Wetterprognosen möglich", so der Professor vom Institut für Angewandte Informationstechnologie. "Jedoch steht die Forschung hier noch ganz am Anfang, da weiter untersucht werden muss, wie neuronale Netze am effektivsten in einen Quantencomputer implementiert werden können."
Mit den neuen Durchbrüchen gelange man nun von der Theorie zur Anwendung, womit die Technologie nun auch für Unternehmen spannend werde, wie Stockinger weiter ausführt. Insbesondere Banken zeigten aufgrund des Potenzials bezüglich Verschlüsselungsmethoden respektive dem Knacken von Verschlüsselungen grosses Interesse.
(win)
