Abbildung: Pipeline-Konzept in Quant²AI mit klassischen und Quantenkomponenten, Quelle: DLR
Um die Fähigkeiten eines Quanten-KI-Ansatzes zu bewerten, müssen alle Schritte von der Datencodierung bis zur Auswertung der Ergebnisse berücksichtigt werden. Nur so lassen sich mögliche Vorteile für den gesamten KI-Prozess identifizieren. Wenn ausschließlich einzelne Schritte unabhängig voneinander untersucht werden, lässt sich schwerlich eine Aussage über die Leistung des Gesamtsystems treffen – beispielsweise da der Schritt der Codierung klassischer Daten auf einem Quantencomputer oft mit großem Zusatzaufwand verbunden ist.
Quantencomputer arbeiten nach Rechenprinzipien aus der Quantenphysik, die sich von klassischen Computern stark unterscheiden. Dies weckt die Hoffnung, immense Vorteile gegenüber bisherigen Rechenansätzen zu realisieren - insbesondere für ressourcenintensive Anwendungen wie Künstliche Intelligenz. Ob diese Hoffnungen realisiert werden können, untersucht das Institut für KI-Sicherheit im Projekt Quantifizierung von Quantenvorteilen für Künstliche Intelligenz vom heuristischen Standpunkt aus. Bis Ende 2025 beschäftigen wir uns in diesem von der DLR-Quantencomputinginitiative geförderten Projekt mit der anwendungsnahen Bewertung von Quanten-KI-Pipelines. Dies erleichtert Anwendern die qualifizierte Entscheidung für eine Methode und die Einschätzung der erwarteten Vorteile. Neben dem Institut für KI-Sicherheit sind das Fraunhofer ITWM, Conet, Data Cybernetics and Jos Quantum als Auftragnehmer am Projekt beteiligt.
Beitrag Institut für KI-Sicherheit
Die Anwendungsbereiche Künstlicher Intelligenz erweitern sich stetig, ob zur Steuerung autonomer Systeme oder zur Erkennung von Mustern, etwa in Bildern. Damit steigen auch die Anforderungen an die KI. Allerdings ist die Optimierung eines KI-Modells ein aufwendiger Prozess, für den unter dem Einsatz großer Rechenleistung viele Daten ausgewertet werden müssen. Vom Übergang zu Quanten-KIs versprechen sich viele Stakeholder unter anderem eine Verbesserung des Lernprozesses. Oftmals sind diese Erwartungen noch unklar formuliert und von wenig Evidenz gestützt: Für aktuelle Quanten-KIs sind meist nur Machbarkeitsstudien verfügbar, die einzelne Teilschritte betrachten und kaum vergleichbar sind.
Quant²AI bereichert den Diskurs um mögliche Vorteile verschiedener Quanten-KI-Ansätze um quantitative Einblicke. Im ersten Schritt systematisieren wir mögliche Vorteile und bilden die Leistungen eines KI-Systems in einer passenden Metrik ab. Zusammen mit einem Satz anwendungsnaher Beispielprobleme ergibt sich ein Benchmark, dessen Prototyp bis zum Ende der Projektlaufzeit verfügbar ist. Dieser betrachtet dann den kompletten Ablauf vom Vorbereiten und Codieren der Datensätze bis zur Interpretation der Ergebnisse. Dies ist notwendig, da Gewinne durch den Einsatz von Quantencomputern in einzelnen Teilschritten nur dann relevante Vorteile bringen, wenn sie sich auch in die KI-Pipeline einbauen lassen ohne Leistungsgewinne an anderer Stelle wieder zu verlieren, etwa durch die Notwendigkeit aufwendiger Datencodierung.
Die Datensätze decken thematisch die Kernbereiche des DLR ab, etwa in Luft- und Raumfahrt, Verkehr und Energie. Zudem bringen die Industriepartner weitere Themen aus den Bereichen Materialwissenschaft und Finanzen ein. Anhand dieser Daten bewerten wir die trainierten KI-Modelle bezüglich der Metriken für erwartete Quantenvorteile.
Quant²AI gibt Anwendern die Möglichkeit, sich zwischen verschiedenen Quanten-KI-Methoden für ihren Anwendungsfall zu entscheiden und mögliche Vorteile gegenüber klassischen Methoden realistisch einzuschätzen. Entwickler erhalten ein Werkzeug, ihre Algorithmen zu evaluieren und mögliche Flaschenhälse zu identifizieren. Damit schafft Quant²AI Übersicht und Vergleichbarkeit für neuentwickelte Quanten-KI-Methoden.
