QCOptSens – Quantum Computation for Optical Sensor Design

Projektlaufzeit: 1.10.2023 – 31.12.2026

AnwendungenOptimierung

Ziel: Wir wollen optische Instrumente in Luft- und Raumfahrt verbessern, indem wir beugende Strukturen unter Herstellungsbeschränkungen global optimieren und thematische Informationsextraktion KI-gestützt zu Quantum-Machine-Learning-Algorithmen transformieren.

In diesem Projekt untersuchen wir neue Ansätze für die Verbesserung optischer Instrumente für die Luft- und Raumfahrt. Die Kalibration hochauflösender Hyperspektralkamerasysteme erfolgt mit Komponenten, welche Beugungsmuster nach strengen Zielvorgaben erzeugen sollen. Deren effizientes Design unter Herstellungsbedingungen führt zu „harten“ Optimierungsproblemen und wir untersuchen, ob diese mit hybridem Quantencomputing global gelöst werden können. Auch die Datenaggregation und nachgelagerte Algorithmen zur Inhaltsrekonstruktion erfolgen bisher nur bei sub-optimalen Systemparametern (Bandbreite, Auflösung, Genauigkeit und so weiter). Wir untersuchen deshalb Methoden für eine teil-automatisierte und KI-gestützte Codetransformation und Optimierung zu Quantum-Machine -Learning-Algorithmen.

Motivation

Wir entwickeln seit Jahren erfolgreich Kamerasysteme und Spektrometer für Luft- und Raumfahrt, Sicherheit und Verkehr. Diese hochkomplexen Instrumente enthalten eine Vielzahl von optischen, mechanischen, elektronischen und Software-Komponenten, die detailliert aufeinander abgestimmt und im Betrieb geregelt werden müssen, um eine hohe Datenqualität, Verfügbarkeit und Zuverlässigkeit trotz beschränkter Ressourcen zu gewährleisten. Neben hoher Bildqualität sollen aber auch entscheidende Informationen, zum Beispiel in Gefahrensituationen, schneller als bisher rekonstruiert und kommuniziert werden. Diese strikten Anforderungen vor dem Hintergrund immer weiter steigender Dimensionalität in den Sensordaten erfordern langfristig neue Technologien und Berechnungsmethoden in der Informationsgewinnung und im Instrumentendesign.

Herausforderung

Bei dem Instrumentendesign stoßen wir mit verfügbaren Ansätzen an Grenzen da jedes Instrument hinsichtlich Datenqualität und Randbedingungen bezüglich einer Vielzahl von umgebungsabhängigen Parametern optimiert werden muss. Das entscheidende Moment wird aktuell durch die Erfahrung der Ingenieure und Wissenschaftler eingebracht. Eine prototypische Fragestellung hierbei ist das Design von beugenden Strukturen. Vorwärtsberechnungen der Lichtausbreitung sind mit heutigen Computern möglich aber eine genaue inverse Optimierung von Beugungsdesigns ist global-optimal nicht mehr machbar da eine „gleichzeitige“ Betrachtung vieler lokaler Optima notwendig wäre. Ein ähnliches Problem stellt sich im Bereich der Datenverarbeitung wo bereits KI-basierte Methoden ein enormes Anwendungspotential haben.

Diese datengetriebenen Techniken erfordern aber auch einen komplexen und häufig instabilen Lernprozess mit oft erheblichen Mengen an Trainingsdaten. Dabei sind theoretische Garantien und Robustheit noch immer schwierig und Generalisierungseigenschaften basieren auf empirischen Ergebnissen. Die Suche nach quasi-optimalen KI-Modellen wird immer komplexer und kann zum Teil nur mit erheblichem Aufwand durchgeführt werden. Für viele Anwendungsfällen wird das absehbar nicht mehr nachhaltig noch zielführend sein und disruptive Technologien wie Quantum-Machine-Learning werden hier zunehmend relevant. Techniken bezüglich teil-automatisierter und KI-gestützter Codetransformation und Hybridisierung erlaubt es uns mit der schnell steigenden Dimensionalität in den Problemstellungen Schritt zu halten.Weitere Projekte QCI Basic