Revolutionäre Verknüpfung: Quantum Machine Learning & AutoML

• 13.02.2024
• AutoQML veröffentlicht Methodik zur Verknüpfung von automatisiertem maschinellem Lernen und Quantencomputern
• Synchronisierung von Quantum Machine Learning und Automated Machine Learning
• Automatisierung und Beschleunigung von KI-basierten Datenauswertungen
• Das AutoQML Framework
• Automatisierung von Quantenmethoden in ML-Prozessen
• Erste Quantenlösungen für ausgewählte Use Cases
• Vereinfachter Einstieg in die Nutzung von KI-Lösungen und Quantencomputern

13.02.2024 n

AutoQML veröffentlicht Methodik zur Verknüpfung von automatisiertem maschinellem Lernen und Quantencomputern n

Das vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) geförderte Projekt AutoQML veröffentlichte eine detaillierte Beschreibung des Frameworks, das Algorithmen des Quantum Machine Learning (QML) nahtlos in das Automated Machine Learning (AutoML) integrieren wird. AutoQML soll Industrieunternehmen den Einsatz von Quantencomputern und maschinellem Lernen für praktische Anwendungen ermöglichen, ohne auf tiefes Fachwissen zurückgreifen zu müssen. n

Sowohl der Einsatz von künstlicher Intelligenz (KI) als auch von Quantencomputern (QC) verspricht Unternehmen Effizienzsteigerungen und die Möglichkeit neuer Geschäftsmodelle. Allerdings sind dafür bisher noch spezifisches technisches Wissen und zeitintensive Arbeitsschritte nötig. Um Innovation voranzutreiben und Ressourcen zu sparen ist es daher notwendig, die komplexen Aufgaben der KI-basierten Datenauswertung und Modellbildung zu vereinfachen und durch den Einsatz von Quantencomputern zu beschleunigen. n

Das jetzt beschriebene Framework adressiert durch die Kombination aus automatisiertem maschinellem Lernen (AutoML) und Quantenalgorithmen diese Herausforderungen und eröffnet neue Horizonte um Performance-, Geschwindigkeits- und Komplexitätsvorteile im industriellen Kontext zu erzielen. n

Das AutoQML Framework wird dabei als Schnittstelle fungieren, indem es Algorithmen des Quantum Machine Learnings (QML) in etablierte AutoML Bibliotheken integriert und automatisierte Aufgaben auf realen Quantencomputern ausführen lässt. Auch die Hyperparameteroptimierung und kombinatorische Algorithmenauswahl können dann mittels Quanten-Computing beschleunigt werden. Eine detaillierte Erläuterung des Frameworks hat das Konsortium jetzt in einer beschrieben, die auf der Projektwebseite abgerufen werden kann. Auch erste Programmbibliotheken sind bereits entstanden und wurden Open Source zur Verfügung gestellt – weitere werden folgen. n

„Durch Automatisierung und Integration von Quantenmethoden in klassische ML-Prozesse ermöglicht das Framework »AutoQML« Unternehmen einen niedrigschwelligen Zugang zu (Q)ML-Verfahren, ohne dabei auf tiefes Expertenwissen zurückgreifen zu müssen.“, erläutert Projektleiter Dr. Christian Tutschku vom Fraunhofer IAO. „Spezialisten können die Toolings außerdem nutzen, um erste Entwürfe zu generieren (und anzupassen) oder etwa die Eignung von QML-Verfahren für bestimmte Probleminstanzen einzuschätzen.“ n

Erste Quantenlösungen für ausgewählte Use Cases in den Applikationsbereiche Produktion und Automotive wurden bereits im Projekt implementiert und simuliert. All dies verspricht einen deutlich vereinfachten Einstieg in die Nutzung von KI-Lösungen und Quantencomputern für Industrieanwendungen. Durch die geplante Einbindung in die im ebenfalls vom BMWK geförderten Projekt PlanQK entwickelte Plattform soll das Framework außerdem breitflächig und niederschwellig für Unternehmen erreichbar sein. n

Mit der Veröffentlichung des Frameworks kommt das Konsortium von AutoQML dem Ziel, Einsatzhürden von künstlicher Intelligenz und Quantencomputing abzubauen und Fachleute aus kleineren und mittelgroßen Unternehmen im produzierenden Gewerbe in die Welt der Datenanalyse und Modellerstellung einzuführen, einen großen Schritt näher. In der verbleibenden Projektlaufzeit arbeiten die Projektmitglieder jetzt daran, die beschriebenen Lösungen vollends zu implementieren und Anwendungsunternehmen zur Verfügung zu stellen. Durch die Automatisierung von Prozessen, die normalerweise fundierte Kenntnisse und großen Zeit- und Personalaufwand erfordern, verspricht AutoQML damit einen vielversprechenden Beitrag, um Innovationen zu beschleunigen und gleichzeitig die Effizienz in der Forschung und Industrie zu steigern.