Unsere Arbeit

Im Quantum Technology and Application Consortium (QUTAC) wollen wir als führende Unternehmen der deutschen Wirtschaft Quantencomputing auf die Ebene der praktischen Anwendung heben und so gemeinsam eine neue digitale Zukunft aktiv gestalten.

Wie wir arbeiten

Als führende Unternehmen der Deutschen und Europäischen Wirtschaft möchten wir mit QUTAC Quantencomputing zur industriellen Anwendung bringen. Gleichzeitig möchten wir zur Entwicklung eines souveränen Europäischen Quantenökosystems beitragen. Mit unseren Arbeitsgruppen fördern wir diese Ziele ganz konkret – ob durch politische Kommunikation, essenzielle Grundlagenforschung oder die Entwicklung spezifischer Quantencomputing-Usecases. So leisten wir wichtige Arbeit für die gesamte Quanten-Community, von der Wissenschaft über Startups bis hin zu Wirtschaft und Industrie.

Unsere Arbeitsgruppen

  • Material Science

    Komplexe Moleküle – komplexe Simulationen

    Ob neue Medikamente, Kathodenmaterialen oder Düngemittel: Die Simulation komplexer Moleküle ist für die Industrie von großer Bedeutung. Doch selbst heutige Supercomputer besitzen nicht die Rechenleistung, um die hierfür nötige Berechnungen in angemessener Geschwindigkeit und Genauigkeit durchzuführen. Sie können uns nur Näherungslösungen liefern, die zwar für bestimmte, einfache Moleküle ausreichen, für komplexe Strukturen jedoch ungeeignet sind.

    Quantencomputer bieten das Potenzial, auch größere Moleküle genau zu simulieren. Sie ermöglichen uns, ihr Verhalten besser zu verstehen und vorherzusagen.

    Was wir tun

    Die Arbeitsgruppe Material Science untersucht die Leistungsfähigkeit relevanter Quantenalgorithmen. Wir zeigen, welches Potenzial diese tatsächlich besitzen und wo ihre Grenzen liegen.  

    Mit unseren Erkenntnissen identifizieren wir relevante Anknüpfungspunkte für die weitere Grundlagenforschung. Unternehmen und Startups, die die Simulation komplexer Moleküle mithilfe von Quantencomputing Wirklichkeit werden lassen möchten, können auf unserer Arbeit aufbauen.

  • Quantum Machine Learning & Optimization

    Der nächste Schritt in der Prozessoptimierung 

    Wir setzen hohe Erwartungen daran, wie Quantencomputing unsere Wirtschaft und Industrie stärken wird.

    Einerseits direkt, indem ihre Rechenleistungen uns neue Möglichkeiten eröffnen wird, die mithilfe klassischer Computer bisher kaum denkbar waren. So kennt unsere Industrie viele Optimierungsprobleme, bei denen heutige Supercomputer an ihre Grenzen stoßen, etwa bei der Steuerung von Lieferketten oder komplexen Fertigungsprozessen.

    Andererseits setzen wir darauf, Quantencomputing produktiv mit weiteren Zukunftstechnologien, wie Generativer Künstlicher Intelligenz zu verknüpfen. Doch wie weit reicht das Potenzial von Quantentechnologien in diesem Bereich wirklich? Und wo liegen seine Grenzen?

    Was wir tun

    Unsere Arbeitsgruppe Quantum Machine Learning & Optimization widmet sich genau dieser Frage. Wir untersuchen, wie Quantencomputer dazu beitragen, komplexe Optimierungen wie das Knapsack-Problem zu lösen, aber auch, wie sie helfen, bestehenden Herausforderungen im Bereich KI zu meistern, wie dem Bedarf nach einer großen Menge von Trainingsdaten oder einer hohen Rechenleistung.

  • Quantum Systems

    Das Rennen um die optimale Quanten-Hardware ist offen

    Bei der Entwicklung leistungsfähiger Quantencomputer testen Forschende weltweit ein breites Spektrum möglicher Hardware-Konzepte. Diese stützen sich auf verschiedene physikalische Systeme, wie Supraleiter, Ionenfallen, neutrale Atome, Photonen oder Spins in Halbleitern.

    Welche Technologie sich durchsetzen wird, ist offen. Gerade in der aktuellen, frühen Phase der Quanten-Ära können sich einzelne Hardware-Arten unterschiedlich gut zur Lösung spezifischer Problemklassen eignen. Unternehmen, die Quantencomputing nutzen möchten, sollten diese Unterschiede einschätzen können. Für sie dominieren Fragen wie: Wann können Quantencomputer wirtschaftlich relevante Anwendungen schneller ausführen als klassische Computer? Welche Anwendungen werden das sein? Und welche Hardware eignet sich am besten für spezifische Anwendungsfälle?

    Was wir tun

    Unsere Arbeitsgruppe Quantum Systems untersucht diese Hardware-Varianten mit einer klaren Endnutzer-Perspektive. Dabei widmen wir uns einzelnen technologischen Ansätzen und prüfen, wie ihre Eigenschaften sich auf die Effektivität verschiedener Algorithmen auswirken. Wir konzentrieren uns auf physikalische Qubit-Architekturen und ihren Einfluss auf Parameter wie die Stabilität von Qubits, die Zuverlässigkeit von Rechenoperationen oder die Rechengeschwindigkeit. So zeigen wir, wie die jeweilige Hardware die Dauer zur Lösung von Aufgaben und die Ergebnisqualität beeinflusst, und wie wahrscheinlich es ist, mit ihr künftig fehlertolerante Quantenberechnungen durchführen zu können.

  • Political Communication

    Für ein souveränes Quanten-Ökosystem

    Quantentechnologien müssen ein wesentliches Element der deutschen Digitalstrategie werden. Wichtige Industriezweige sehen sie als strategische Schlüsseltechnologie der Zukunft mit großem wirtschaftlichem Potenzial. Die wissenschaftliche Expertise Deutschlands in den Quantentechnologien ist hoch. Gleichzeitig bleibt der Transfer in die Wirtschaft herausfordernd. Deutschland und Europa müssen heute in ihre technologische Souveränität investieren, um ihre wirtschaftliche Wettbewerbsfähigkeit von morgen zu sichern. Theoretisches Wissen muss in industrielle Anwendungsfälle münden.

    Hierfür braucht es strategisch koordinierte, politische Unterstützung. Ein starkes Commitment schafft Planungssicherheit für die Industrie und ermöglicht das notwendige agile Handeln.

    Was wir tun

    Als Quantum Technology & Application Consortium und Zusammenschluss einiger der größten Unternehmen Deutschlands und Europas engagieren wir uns für die politische Unterstützung des deutschen Quantentechnologie-Ökosystems. Hierfür beteiligen wir uns an öffentlichen Veranstaltungen wie Messen, Symposien oder Podiumsdiskussionen, tauschen uns direkt mit politischen Entscheider*innen aus und schaffen mit unseren Veröffentlichungen Aufmerksamkeit sowie die nötige Informationsbasis für einen konstruktiven politischen Diskurs.

Publikationen

Material Science

Generating approximate ground states of strongly correlated quantum many-body systems through quantum imaginary time evolution

Most quantum algorithms designed to generate or probe properties of the ground state of a quantum many-body system require as input an initial state with a large overlap with the desired ground state. One approach for preparing such a ground state is Imaginary Time Evolution (ITE). Recent work by [Motta, M. , Sun, C. , Tan, A.T.K. et al (2020)] introduced an algorithm—which we will refer to as Quantum Imaginary Time Evolution (QITE)—that shows how ITE can be approximated by a sequence of unitary operators, making QITE potentially implementable on early fault-tolerant quantum computers. In this work, we provide a heuristic study of the capabilities of the QITE algorithm in approximating the ITE of lattice and molecular electronic structure Hamiltonians. We numerically study the performance of the QITE algorithm when provided with a good classical initial state for a large class of systems, some of which are of interest to industrial applications, and check if QITE is able to qualitatively replicate the ITE behavior and improve over a classical mean-field solution. The systems we consider in this work range from one- and two-dimensional lattice systems of various lattice geometries displaying short- and long-range interactions, to active spaces of molecular electronic structure Hamiltonians. In addition to the comparison of QITE and ITE, we explicitly show how imaginary time evolved fermionic Gaussian states can serve as initial states which can be efficiently computed on classical computers and efficiently implemented on quantum computers for generic spin Hamiltonians in arbitrary lattice geometries and dimensions, which can be of independent interest.

Zur Publikation
Quantum Machine Learning & Optimization

TabularQGAN: A Quantum Generative Model for Tabular Data

In this paper, we introduce a novel quantum generative model for synthesizing tabular data. Synthetic data is valuable in scenarios where real-world data is scarce or private, it can be used to augment or replace existing datasets. Real-world enterprise data is predominantly tabular and heterogeneous, often comprising a mixture of categorical and numerical features, making it highly relevant across various industries such as healthcare, finance, and software. We propose a quantum generative adversarial network architecture with flexible data encoding and a novel quantum circuit ansatz to effectively model tabular data. The proposed approach is tested on the MIMIC III healthcare and Adult Census datasets, with extensive benchmarking against leading classical models, CTGAN, and CopulaGAN. Experimental results demonstrate that our quantum model outperforms classical models by an average of 8.5% with respect to an overall similarity score from SDMetrics, while using only 0.072% of the parameters of the classical models. Additionally, we evaluate the generalization capabilities of the models using two custom-designed metrics that demonstrate the ability of the proposed quantum model to generate useful and novel samples. To our knowledge, this is one of the first demonstrations of a successful quantum generative model for handling tabular data, indicating that this task could be well-suited to quantum computers.

Zur Publikation
Quantum Machine Learning & Optimization

Generative-enhanced optimization for knapsack problems: an industry-relevant study

Optimization is a crucial task in various industries such as logistics, aviation, manufacturing, chemical, pharmaceutical, and insurance, where finding the best solution to a problem can result in significant cost savings and increased efficiency. Tensor networks (TNs) have gained prominence in recent years in modeling classical systems with quantum-inspired approaches. More recently, TN generative-enhanced optimization (TN-GEO) has been proposed as a strategy which uses generative modeling to efficiently sample valid solutions with respect to certain constraints of optimization problems. Moreover, it has been shown that symmetric TNs (STNs) can encode certain constraints of optimization problems, thus aiding in their solution process. In this work, we investigate the applicability of TN- and STN-GEO to an industry relevant problem class, a multi-knapsack problem, in which each object must be assigned to an available knapsack. We detail a prescription for practitioners to use the TN-and STN-GEO methodology and study its scaling behavior and dependence on its hyper-parameters. We benchmark 60 different problem instances and find that TN-GEO and STN-GEO produce results of similar quality to simulated annealing.

Zur Publikation

Der Weg zur industriellen Anwendung

Bei QUTAC stehen Industrieapplikationen im Vordergrund. Der positive Ausblick für das Quantencomputing muss substanziiert und die baldige Praxisanwendung vorbereitet werden. In einem ersten Schritt werden daher mögliche Applikationen identifiziert und ihr Potenzial für eine industrielle Umsetzung bewertet. Dabei sollen die Erwartungen an ein Quantencomputer-Ökosystem und dafür notwendige Investitionen in Einklang gebracht werden. Um dies zu erreichen, hat QUTAC in seinem Positionspapier die folgenden Ziele festgelegt:

  1. Offenlegen des Bedarfs für Quantencomputing der deutschen Industrie.
  2. Schaffung der Grundlage für ein industrieübergreifendes Anwendungsportfolio.
  3. Gemeinsame Umsetzung von Referenzanwendungen und Kooperationsaufruf über die Grenzen des Konsortiums hinaus.

Gemeinsam wollen wir Deutschland im Bereich Quantencomputing souverän machen und damit auch den Standort Europa voranbringen.

Das vollständige Positionspapier wurde bei SpringerOpen veröffentlicht. Die Kurzversion steht hier zum Download bereit.

Download

Anwendungsfälle von Quantencomputing

TRUMPF: Optimierte Produktionsplanung für die Metallverarbeitung

In mittelständisch geprägten Branchen wie der Metallverarbeitung spielt der Faktor Mensch in der Produktionsplanung oft noch eine große Rolle. Gemeinsam mit QUTAC sucht der Werkzeugmaschinen- und Lastertechnikhersteller TRUMPF nach Wegen, die Industrie mithilfe Quantencomputing-gestützter Anwendungen effizienter zu machen.

Lesen
Interviewpartner Clemens Utschig-Utschig, CTO Boehringer Ingelheim. © Boehringer Ingelheim Pharma GmbH & Co. KG.

Boehringer Ingelheim: Eine Frage der Zeit

Für die Simulation komplexer Moleküle setzt Boehringer Ingelheim CTO Clemens Utschig-Utschig auch auf die Potenziale des Quantencomputing. So sollen künftig umfangreiche Laborversuche reduziert werden – und mit ihnen die Entwicklungszeit neuer Medikamente beschleunigt werden.

Lesen
Lilly Palackal, Quantum Algorithms Team Lead in Supply Chain Innovation, und Hans Ehm, Senior Principal Supply Chain Management bei Infineon © Infineon Technologies AG

Infineon: Mit Quantencomputern langfristig internationale Lieferketten optimieren

Die Halbleiterindustrie ist geprägt von globalen Lieferketten. In diesem komplexen Lieferkettennetzwerk zu einem optimalen Ergebnis zu finden, ist eine Herausforderung – auch für Branchengrößen wie Infineon. Um weiterhin führend zu bleiben, setzt das Unternehmen darum langfristig auch auf eine der Zukunftstechnologien unserer Tage: Das Quantencomputing.

Lesen

BASF: Wie Quantencomputer helfen können, chemische Katalysatoren zu entwickeln

Mithilfe des Quantencomputing möchte BASF die Entwicklung neuer Katalysatoren für die Polymerforschung beschleunigen. Dafür setzt sie auf einen hybriden Ansatz – und die Kollaboration mit QUTAC.

Lesen
Gabriele Compostella, Quantum Computing Lead und Sheir Yarkoni, Quantencomputing-Experte bei der Volkswagen AG ©Volkswagen AG

Volkswagen: Effizientere Auto-Lackieranlagen

Auf den ersten Blick wirkt die moderne Automobilproduktion hochgradig effizient. Erst der genauere Blick offenbart das Potenzial zur Optimierung. Mithilfe von Quantencomputing will die Volkswagen AG dieses ausschöpfen und so langfristig Produktionszeiten verkürzen sowie die Verschwendung von Produktionsstoffen minimieren und somit Kosten sparen - also unmittelbaren Mehrwert schaffen.

Lesen
Thomas Ehmer, Innovation Incubator Lead bei Merck ©Merck

Merck: Klinische Studien optimal planen und umsetzen 

Klinische Studien sind für die Entwicklung und Zulassung neuer Wirkstoffe unersetzlich, doch ihre Komplexität und Abhängigkeit von sich gegenseitig beeinflussenden Parametern macht ihre optimale Planung in der Praxis nahezu unmöglich. Versuche, Studiendesigns mit Hilfe klassischer Machine Learning-Ansätze zu optimieren, stoßen an ihre Grenzen. Der Wissenschafts- und Technologie-Konzern Merck setzt deshalb auch auf den Einsatz von Bayes’schen Netzen, Quantencomputern – und den Austausch mit anderen Expert*innen in QUTAC.

Lesen
Porträt von Andreas Nawroth

Munich Re: Komplexe Risiken verstehen, berechnen und absichern

Bei Munich Re nehmen Andreas Nawroth und sein Team die quantentechnologischen Anwendungen für eine moderne Routenplanung in den Blick. So tragen sie dazu bei, Deutschland zu einem Vorreiter in Sachen Quantentechnologie zu machen – und Unternehmen zukünftig intelligenter gegen wirtschaftliche Schäden abzusichern.

Lesen