Wir haben nach Unterstützung für unser Sensorprojekt QCOptSens | CrossCompiler gesucht. Den Zuschlag hat nun HQS Quantum Simulations bekommen. Das Startup wird einen Cross-Compiler für die automatisierte Transformation eines Machine-Learning-Problems fürs Optical Sensing in eine QML-Pipeline entwickeln. Unterauftragnehmerinnen sind die Fraunhofer-Institute für Arbeitswirtschaft und Organisation IAO und für IAO und für Produktionstechnik und Automatisierung IPA.
Optische Sensoren sind wichtige Werkzeuge in der Luft- und Satellitenbilderkennung zur Gefahrenabwehr und zum Katastrophenschutz. Zunehmend werden dabei Multi- und Hyperspektraldaten verwendet, mit denen eine detaillierte Analyse der der Landoberflächen, des Meeres und der Atmosphäre möglich ist. So können zum Beispiel Materialien auseinandergehalten werden, die im einfachen RGB-Farbraum identisch erscheinen.
Die automatische Analyse dieser Daten ist allerdings aufgrund der gestiegenen Datenmengen sehr aufwändig. Quantenmaschinelles Lernen (QML) schafft neue Ansätze, erfordert aufgrund der Vielfalt der Daten und Systeme allerdings neues Wissen und Können bei der automatisierten Bilderkennung: Aus den vielen möglichen Algorithmen und Ansätzen müssen die geeigneten ausgewählt und für das jeweilige Problem optimiert werden. Das gilt insbesondere, wenn die Methoden auf unterschiedlichen, echten Quantencomputern eingesetzt werden sollen und die jeweiligen Hardware-Bedingungen beim Codedesign mitbedacht werden müssen.
Die beste Methode für die richtige Maschine
Im klassischen Maschinellen Lernen wird diese Herausforderung bei der Auswahl der richtigen Methoden durch Automatisierung der Erstellung einer Machine-Learning-Pipeline gelöst: Automated Machine Learning, AutoML. Für den Bereich Quantenmaschinelles Lernen haben die beiden Fraunhofer Institute IPA und IAO im Rahmen des BMWK-geförderten Projekts AutoQML so ein AutoML-Framework für die End-to-End-Automatisierung von QML-Algorithmen entwickelt.
Für QCOptSens wird HQS Quantum Simulations – mit Fraunhofer IAO und IPA als Unterauftragnehmerinnen – auf Basis dieses Frameworks einen Cross-Compiler entwickeln, der das automatisierte Transformieren eines Nutzer:innen-definierten ML-Problems aus dem Bereich Optical Sensing in eine QML-Pipeline ermöglicht. Das AutoQML-Framework bietet dazu eine gute Grundlage, weil es automatisiert aus einem (erweiterbaren) Algorithmenpool die jeweils beste Methode hinsichtlich einer vorgegebenen Metrik und Budgets auswählt. Die nötigen Vorverarbeitungsschritte und die Suche geeigneter Hyperparamater werden dabei ebenfalls ausgeführt und optimiert.
Mitarbeit im Projekt QCOptSens
Mit der Ausschreibung QCOptSens | CrossCompiler (Automatisierte Codetransformation für Quantum Machine Learning) haben wir Unternehmen gesucht, um neue Techniken bezüglich teil-automatisierter und KI-gestützter Codetransformation und Hybridisierung zu untersuchen und deren Potenzial einzuschätzen. Forschung und Entwicklung in diesem Bereich sind essentiell, um in naher Zukunft und auch längerfristig mit der schnell steigenden Dimensionalität und Komplexität von Daten und Algorithmen im Bereich Quantencomputing-basierter Berechnungen Schritt zu halten. Anhand von Beispielen aus dem Gebiet der thematischen Inhaltsrekonstruktion mit Gefahrenkontext sollen Methoden konkret vorgeschlagen, durchgeführt und evaluiert werden.
HQS Quantum Simulations
Das Startup aus Karlsruhe hat sich auf die Entwicklung moderner Software-Anwendungen für die Simulation und Analyse von Materialien auf Quantenebene spezialisiert. Mit seinen Lösungen will es neue Möglichkeiten für die genaue und effiziente Vorhersage und Analyse von Materialien eröffnen.
