QCoKaIn

Unser Thema ist hybrides Quantum-High-Performance-Computing (Q-HPC): Die Kombination von Elementen des klassischen HPC mit Elementen des Quantencomputings. Solche hybriden Zugänge sind von hoher praktischer Bedeutung, weil Quantencomputing dem klassischen Rechnen nicht bei allen Aufgabenstellungen überlegen ist. Im Rahmen des Projekts wenden wir das hybride Q-HPC im Bereich der Anomaliedetektion an und erproben und analysieren es mithilfe großer Mengen von Telemetriedaten. Wir werden außerdem die Methodik der Kausalen Inferenz einbinden, welche sich mit der datengetriebenen Analyse von Ursache-Wirkungs-Zusammenhängen beschäftigt.

Motivation

Die postulierte Überlegenheit von Quantencomputing gegenüber klassischem Computing kann in der Praxis bisher nur für ausgewählte Probleme dargestellt werden. Auch ist die Rechenkraft aktueller Quanten-Hardware aufgrund geringer Qubitzahlen und hoher Fehlerraten noch begrenzt. Im Zuge der wachsenden Diversifizierung von Rechen-Hardware ist es daher wahrscheinlich, dass in Zukunft Quantencomputer in heterogene Rechencluster eingebunden werden können. Zum Beispiel können bereits heutige Quantencomputer der NISQ-Ära auf diese Weise gewinnbringend eingesetzt und in hybrider Form für eine breitere Nutzerbasis attraktiver werden.

Im Projekt werden wir außerdem Kausale Inferenz nutzen. Sie ist ein modernes Forschungsfeld innerhalb der Statistik und des Maschinellen Lernens und beschäftigt sich mit der datengetriebenen Analyse von Ursache-Wirkungs-Zusammenhängen. Damit ermöglicht sie ein über bloße statistische Abhängigkeiten hinausgehendes Verständnis komplexer Prozesse — auch dann, wenn kontrollierte Experimente nicht möglich sind.

Herausforderung

Der von uns beleuchtete industrielle Anwendungsfall für das hybride Rechnen ist die automatisierte Erkennung von Anomalien in Telemetriedaten. Aufbauend auf einer klassischen Recheninfrastruktur für Datenanalyse untersuchen wir, welchen Nutzen das hybride Rechnen in diesem Anwendungsfall für die Rechengeschwindigkeit und Genauigkeit der Vorhersagen hat.

Methoden der Kausalen Inferenz sind für diesen Anwendungsfall besonders nützlich, weil eine hohe Anzahl einzelner Messgrößen vorliegt und die Auswahl einer relevanten Teilmenge für die Datenanalyse typischerweise auf vordefiniertem Expertenwissen beruht. Eine Herausforderung wird sein, durch den Einsatz von Kausaler Inferenz die Auswahl auf Basis unvollständigen Vorwissens zu verbessern.