Use Cases

Gemeinsam mit der Uniklinik Freiburg werden geeignete Datensätze aus anonymisierten Patientendaten ausgewählt, die aus gemessenen Merkmalen (z.B. Blutdruck, Daten aus bildgebenden Verfahren, Körpertemperatur, etc.) und einer Klassifikation der Datensätze (z.B. Ausbruch einer bestimmten Krankheit) bestehen.

Zunächst wird eine Auswahl besonders relevanter und statistisch unabhängiger Merkmale durchgeführt, indem ein Quantum Unconstrained Binary Optimization (QUBO-)Problem gelöst wird. Auf einem Quantencomputer kann das besonders effektiv durch einen neuartigen Linear Ramp Quantum Approximate Optimization (LR-QAOA-)Algorithmus gelöst werden, zu dessen Verbesserung bereits Vorarbeiten vorliegen. Anschließend wird eine Quantum Support Vector Machine (QSVM) zur Klassifikation verwendet (die in anderen Anwendungen einen Quantenvorteil versprechen), kombiniert mit einer neu entwickelten Nachverarbeitung der Messdaten, um große Probleminstanzen bearbeiten zu können. 

Partner

Fraunhofer IAF 
Universitätsklinikum Freiburg

In Kooperation mit der Bundesdruckerei GmbH werden Datensätze zur Netzwerkanomaliendetektion (NAD) ausgewählt. NAD-Systeme basierend auf maschinellem Lernen (ML) haben das Potenzial auch neue Angriffsmuster identifizieren zu können, was bei regel-basierten Systemen nicht möglich ist. Um die Performanz der Modelle zu steigern, spielt die Feature Importance und Dimensionsreduktion eine kritische Rolle. Die beste Kombination von Features kann über die konditionierte Mutual Information über ein kombinatorisches Optimierungsproblem bestimmt werden. Bisherige ML-basierte NADs sollen unter Zuhilfenahme von Quanten- oder quanten-inspirierten Methoden erweitert werden, wie z.B. One-Class Quanten Support Vector Machines (OC-QSVMs) oder (Quanten-) Tensor-Netzwerke. OC-QSVMs scheinen das Potential zu haben besonders auf kleineren Trainingsdatensätzen besser zu performen als ihr klassisches Pendant bezogen auf die Generalisierung. Außerdem bieten sie eine hohe Expressivität aufgrund der mit der Qubit Anzahl exponentiell wachsenden Hilberträume. Der “Fluch der Dimensionalität“ kann zusätzlich durch geschickte Projektion in klassische Unterräume umgangen werden. 

Partner

Fraunhofer IAO
Bundesdruckerei 

Im Rahmen dieses Use-Cases wird ein mehrstufiges Vorgehen zur Umsetzung von Quantum Architecture Search (QAS) für die Bewertung von Finanzderivaten entwickelt. Ein QAS-Framework identifiziert automatisiert geeignete Quantenschaltkreise, die zunächst simuliert und anschließend auf Quantenhardware getestet werden. Zu Beginn werden bedarfsorientierte Trainings und Workshops zum Themenfeld Quantum Architecture Search durchgeführt, um gezielt jene Wissensbereiche zu vertiefen und bestehende Lücken zu schließen. Darauf folgt die gemeinsame Auswahl relevanter Bewertungskriterien und praxisnaher Kennzahlen, begleitet von einer iterativen Entwicklung und Validierung geeigneter Quantenschaltkreise. Dabei stellt der Industriepartner relevante historische Finanzdaten und klassische Benchmark-Verfahren wie Monte-Carlo-Simulationen bereit, während das  ITWM federführend die technische Umsetzung der quantenbasierten Lösungen übernimmt. Abschließend werden die Ergebnisse aus quantenbasierten Ansätzen gemeinsam evaluiert und gegenüber klassischen Methoden hinsichtlich Effizienz, Genauigkeit und Robustheit bewertet, um konkrete Anwendungs-perspektiven für Risikomanagement und Portfoliooptimierung zu definieren.

Partner

Fraunhofer ITWM
R+V Versicherungen AG

Im Automobilbereich überwachen Sensoren kontinuierlich Fahrzeugzustände durch das Erfassen zeitabhängiger Daten. Gleichzeitig können nicht alle wichtigen Observablen mit Sensoren versehen werden. In diesem Fall kommen rechenintensive Simulationen zum Einsatz. Beide Datenklassen können genutzt werden, um Maschinenlernen (ML) Modelle für die Zeitreihenvorhersage zu trainieren, wodurch Betriebszustände vorhergesagt und bspw. Anomalien frühzeitig erkannt werden können. Die IAV GmbH besitzt hierbei Expertise im Einsatz von konventionellen ML-Methoden. Nach erfolgter gemeinsamer Datenauswahl steht die Entwicklung vielversprechender QML-Methoden, wie das Quanten-Reservoir-Computing (QRC) für die Zeitreihenvorhersage im Fokus. Es erfolgt ein Vergleich mit verschiedenen State-of-the-art QML- und klassischen ML-Methoden. In der Entwicklung beabsichtigt das Fraunhofer IPA die Open-Source QML-Python-Bibliothek sQUlearn sowie quanten-inspirierte Methoden wie Surrogat-Modelle zu verwenden, um die praktische Anwendbarkeit in der Produktion sicherzustellen. 

Partner

Fraunhofer IPA
IAV GmbH
HQS Quantum Simulations GmbH

Gefördert vom Bundesministerium für Forschung, Technologie und Raumfahrt BMFTR unter dem Förderkennzeichen 13N17420.