QUANTEN UND KÜNSTLICHE INTELLIGENZ

Zurück zur Übersicht der Technologiesteckbriefe

Was?
Künstliche Intelligenz (KI) basiert heute vor allem auf maschinellem Lernen – Algorithmen, die aus großen Datenmengen eigenständig Muster erkennen. Ob Sprachmodelle, Bildgeneratoren oder medizinische Diagnosesysteme: Sie alle werden mit enormem Rechenaufwand trainiert – große Sprachmodelle benötigen Tausende Spezialprozessoren über Wochen hinweg. Quantencomputer könnten bestimmte Rechenschritte in diesem Prozess beschleunigen, etwa die Suche nach Strukturen in hochdimensionalen Daten oder die Optimierung von Modellparametern. Die Grundidee: Qubits können dank Superposition viele Zustände gleichzeitig repräsentieren und so bestimmte mathematische Operationen effizienter ausführen als klassische Bits. Ob und wann daraus ein praktischer Vorteil entsteht, ist eine der offenen Fragen der Quanteninformatik.

Wofür?
Überall dort, wo maschinelles Lernen an Rechengrenzen stößt, könnte Quantencomputing einen Unterschied machen. In der Materialforschung und Chemie könnten quantenbasierte KI-Verfahren Zusammenhänge in Simulationsdaten erkennen, die klassische Algorithmen übersehen – etwa um neue Werkstoffe oder Katalysatoren schneller zu identifizieren. In der Medizin könnten sie helfen, in komplexen Patientendaten Muster zu finden, die auf bestimmte Anfälligkeiten oder Krankheiten im Frühstadium hinweisen. Auch das KI-Training selbst ist ein Anwendungsfeld: Neuronale Netze haben Millionen von Parametern, deren optimale Einstellung ein enormes Suchproblem darstellt – Quantenalgorithmen könnten diese Suche beschleunigen. Umgekehrt kann KI auch Quantencomputer unterstützen – etwa bei der Fehlerkorrektur oder der optimalen Steuerung von Qubits.

Wie?
Maschinelles Lernen verarbeitet Daten als Folge mathematischer Operationen auf Bitvektoren – langen Reihen von Nullen und Einsen. Quantenalgorithmen ersetzen diese durch Operationen auf Qubits: Statt nur 0 oder 1 kann jedes Qubit eine Überlagerung (Superposition) beider Zustände einnehmen. Ein Quantenschaltkreis mit wenigen Dutzend Qubits kann so einen Zustandsraum repräsentieren, der klassisch Milliarden von Einträgen erfordern würde. Für bestimmte mathematische Strukturen – etwa die Berechnung von Ähnlichkeiten zwischen Datenpunkten – existieren Quantenalgorithmen, die theoretisch schneller sind als ihre klassischen Gegenstücke. Ob sich diese theoretischen Vorteile in der Praxis realisieren lassen, hängt vor allem davon ab, ob die Skalierung von Quantencomputern gelingt – und ob die Algorithmen auch bei verrauschten, realen Daten bestehen.

Ausblick:
Quantum Machine Learning ist ein junges, aktiv erforschtes Feld. Erste Experimente zeigen, dass sich parametrische Quantenschaltkreise trainieren lassen – ihre Parameter können so angepasst werden, dass sie Aufgaben zunehmend besser lösen. Ein überzeugender Vorteil gegenüber optimierten klassischen Verfahren bei praxisrelevanten Problemen steht jedoch noch aus. Die zentrale Hürde: Heutige Quantencomputer haben zu wenige Qubits und zu hohe Fehlerraten, um mit der Skalierung klassischer KI-Systeme mitzuhalten. Gleichzeitig entwickelt sich die klassische KI rasant weiter – der Quantenvorteil muss sich gegen ein sich ständig verbesserndes Ziel behaupten. Am ehesten dürften Vorteile in Nischenanwendungen sichtbar werden, bei denen die Daten selbst quantenmechanischer Natur sind – etwa in der Molekülforschung. Ob Quantencomputer die KI-Entwicklung insgesamt grundlegend verändern, wird die Zukunft zeigen.

Diese Inhalte stammen aus den "Technologie-Steckbriefen", die das Fraunhofer ISI in Modul 1entwickelt hat.