AutoQML - Developer Suite für automatisiertes maschinelles Lernen mit Quantencomputern

Vereinfachter Zugang zu QML-Methoden

© nobeastsofierce - stock.adobe.com

Herausforderung

Die Implementierung von Machine-Learning-Lösungen ist für Unternehmen noch mit hohem Arbeitsaufwand verbunden. Von der Datenakquisition, über die Wahl der passenden Algorithmen, bis hin zur Optimierung des Trainings ist ein detailliertes Fachwissen in der jeweiligen Anwendungsdomäne notwendig. Der Ansatz des automatisierten maschinellen Lernens (AutoML) kann dabei helfen, den Einsatz von ML-Prozessen zu vereinfachen. Das Projekt AutoQML unterstützt Entwickler*innen ohne tiefgehende ML-Expertise dabei, typische Probleme mit dynamischen ML-Methoden zu lösen. Ein zukunftsweisender Weg, um dem Fachkräftemangel in diesem Umfeld zu begegnen. Diesem Zugewinn an Benutzerfreundlichkeit stehen allerdings gleichzeitig sehr hohe Hardware-Anforderungen gegenüber, die entweder mit signifikanten Eigeninvestitionen oder mit ausgelagertem Cloud Computing und entsprechendem Verlust der eigenen Datensouveränität einhergehen. Ähnliche Entwicklungen sind beim Quantencomputing zu erwarten. Im Quantum Machine Learning (QML) verspricht Quantencomputing, bestimmte Probleme viel schneller als mit konventioneller Rechenleistung lösen zu können. Eine Kernherausforderung bleibt jedoch auch hier der Fachkräftemangel. Um eine breite, industrielle Anwendung von QML zu ermöglichen, ist ein hoher Grad an Benutzerfreundlichkeit und Automatisierung unabdingbar.

Das Projekt AutoQML zielt deshalb darauf ab, sowohl die Herausforderungen von heutigen AutoML-Ansätzen zu lösen als auch das erfolgreiche Vorgehen von AutoML zu adaptieren. Zukünftigen Anwender*innen soll damit der Zugang zu QML-Methoden erleichtert werden.

Methodik

Ausgehend von Anwendungsfällen aus dem Automotive- und Produktionsbereich werden neue Werkzeuge, Komponenten, Methoden und Algorithmen für das maschinelle Lernen mit Quantencomputern entwickelt. Die im Projekt entwickelten Werkzeuge und Methoden werden als Open-Source-Lösung in die PlanQK-Plattform integriert und so (Quanten)-Entwickler*innen zugänglich gemacht. Darüber hinaus wird neue Quantencomputing-Software zum automatisierten maschinellen Lernen entwickelt, insbesondere für hybride QML-Algorithmen und Hyperparameteroptimierung mittels Quantencomputing.

Ergebnis

Das Projekt AutoQML zielt darauf ab, konventionellen Entwickler*innen einen einfachen Zugang zu sowohl klassischen als auch Quanten-ML-Algorithmen inkl. Hyperparameteroptimierung zu ermöglichen. Dabei sollen (Auto)ML-Expert*innen Quantenlösungen zur Verfügung gestellt werden, um hybride Gesamtlösungen konzipieren zu können, die sich je nach Anwendungsfall bei den besten Komponenten aus beiden Welten bedienen. Wesentliche Ergebnisse sind:

  • Entwicklung von QML-Applikationen für vier industrielle Anwendungsfälle
  • Aufbau einer Open-Source-Plattform für automatisierte, quantengestützte Machine-Learning-Verfahren
  • Integration der Projektergebnisse in das PlanQK-Ökosystem

Produkte und Leistungen

 

Schulungsangebot Quantencomputing

DIe interaktive Schulung bietet einen übergreifenden Einblick von der Theorie bis zur praktischen Übung zur Programmierung eines Quantencomputers.

Mehr zum Thema Quantencomputing

 

Blog

Blogreihe »Quantencomputing«

Die Blogreihe gibt einen Überblick sowie Hilfestellungen und Denkanstöße rund um das innovative Thema Quantencomputing.

 

Forschung

Fraunhofer IAO und Quantencomputing

Hier erhalten Sie einen Überblick über aktuelle Themen, Veranstaltungen und Projekte zum Thema Quantencomputing am Fraunhofer IAO.