DLR-Institut

DLR KI | QT | SC

Ziel

Wir bewerten die Vor- und Nachteile von Quanten-Tensornetzwerken im Vergleich zu klassischen Netzen für Anwendungen in der Quantensimulation und Quanten-KI und untersuchen die Anwendbarkeit von Quanten-Tensornetzwerken auf realer Quantenhardware.

Die Fähigkeiten von Quantencomputern versprechen einen Paradigmenwechsel für extrem rechenintensive Anwendungen wie Optimierungsprobleme, die Simulation von Quantensystemen und künstliche Intelligenz. Im Projekt QuTeNet untersuchen wir eine spezifische Architektur von Quantenalgorithmen basierend auf Tensornetzwerken, einer effizienten Darstellung von Quantenzuständen. Dafür entwickeln wir Tensornetzmethoden auf klassischen Rechnern weiter und übertragen Tensornetze auf Quantencomputer, um Simulationen und KI zu realisieren. Anhand eines Use Cases untersuchen wir, ob sich Quantensimulationen und quantenmaschinelles Lernen koppeln lassen.

Motivation

Für Quanten-KI-Systeme werden aktuell vor allem Aufgabenstellungen mit klassischen Daten untersucht. Die hierfür nötige Quantencodierung ist allerdings häufig so ineffizient, dass im Gesamtalgorithmus keine Quantenvorteile realisierbar sind. Auf der anderen Seite gehen am Ende einer Quantensimulation durch den Messprozess unweigerlich Informationen verloren, die in den Quantenzuständen enthalten sind. Die Kombination von Quantensimulation und Quanten-KI zu ihrer Auswertung direkt auf dem Quantencomputer umgeht den Schritt über die klassische Welt – und damit beide Probleme.

Wir entwickeln zudem Bewertungsansätze und Umsetzungen für beide Anwendungen von Tensornetzwerken. Durch den Vergleich von klassischen und Quantenansätzen lassen sich Unterschiede und Gemeinsamkeiten aufzeigen und deren Fähigkeitsbereiche abgrenzen. Damit zeigen wir Perspektiven für den anwendungsorientierten industriellen und akademischen Einsatz auf, inklusive der Skalierung für leistungsfähigere Quantenhardware.

Herausforderung

Quantencomputer ermöglichen bereits heute Simulationen von Quantensystemen in kleinem Maßstab. Für die Entwicklung zukünftiger Quantentechnologien sind jedoch komplexere Simulationen nötig, die neue Methoden auf der der QC-Hardware erforderlich machen. Beide Aspekte des Projekts QuTeNet – Simulationen und künstliche Intelligenz (KI) – nutzen Tensornetzwerke, eine Methode komplexe (Quanten-)Zustände als Netzwerk kleinerer Tensoren darzustellen. Auch Strukturen maschinellen Lernens können in dieser äußerst effizienten Struktur dargestellt werden.

Wir entwickeln Konzepte und Methoden, um Quantentensornetzwerke umzusetzen und zu analysieren, evaluieren die Entwicklungsmöglichkeiten von Tensornetzwerk-Methoden auf klassischen Rechnern und befassen uns mit konkreten Use Cases in der Simulation von Quantensystemen.

Geplante Ausschreibungen

› Weiterentwicklung von Quanten-Tensornetzen
› Effiziente Umsetzung klassischer Tensornetze auf HPC-Infrastruktur
› Entwicklung von Quanten-Optimierern auf Tensornetzbasis