Innovationen
Die Entwicklung von Quantenanwendungen mit industrieller Dimension erfordert bisher heterogene Teams aus Experten verschiedener Disziplinen wie der Quantenphysik, der Anwendungsentwicklung und der Betriebsführung von IT-Systemen. Die in EniQmA entwickelten Methoden, Softwarekomponenten und Entwicklungswerkzeuge sollen diesen Prozess maßgeblich vereinfachen. Die Hauptaufgabe, derer sich das EniQmA-Projekt annimmt, besteht in der Strukturierung, Definition und Umsetzung von workflowbasierten Prozessen für ein effizientes Quantum Software Engineering. Im Rahmen dieser Prozesse sollen entsprechende Werkzeugketten zusammen mit einem dazugehörigen Orchestrator prototypisch umgesetzt werden und anhand der Use Cases der Industriepartner evaluiert werden. Dabei kommen verschiedene Techniken und Algorithmen zum Einsatz, die durch die EniQmA-Forschungspartner konzipiert und erforscht werden.
Lösungen
Neueste Techniken, wie etwa die Implementierung des Warm Starting sowie Erweiterungen bestehender variationeller Quantenalgorithmen, werden im Rahmen der hybriden Anwendungen entwickelt. Ein Werkzeug zum Vergleich klassischer und quanten-basierter Bausteine für hybride Anwendungen wird zur Verfügung gestellt und ein weitergehendes Benchmarking mittels einer Benchmarking Suite ermöglicht. Die Analyse hybrider Anwendungen wird eine optimale Allokation von Ressourcen des Quantencomputers ermöglichen. Die vorgeschlagenen Konzepte, Algorithmen und Prozesse werden gründlich evaluiert und auf Basis der gewonnenen Erkenntnisse adaptiert. Dabei verfolgt EniQmA einen agilen Ansatz, der es erlaubt, Konzepte schnell durch Prototypen zu validieren und diese kontinuierlich weiterzuentwickeln.
Anwendungsfälle für Quantencomputing im EniQmA Projekt
Im Rahmen von EniQmA werden drei Anwendungsfälle entwickelt, um einerseits die neu konzipierten EniQmA-Tools zu erproben und andererseits potenziell interessante Anwendungsfälle für Quantencomputing aufzuzeigen, sowie die hierfür notwendigen Algorithmen weiterzuentwickeln.
Auffälligkeitserkennung in der Produktion: Die Potenziale von Quantum Machine Learning (QML) für die Auffälligkeitserkennung werden analysiert. Dabei werden sowohl Predictive Maintenance als auch Anomalieerkennung durch die Analyse von Bildern zur automatischen Qualitätskontrolle betrachtet.
Nachhaltigkeit im Flugzeugbau und Betrieb: Die Tools zur Materialsimulation und Strukturoptimierung sollen mittels Quantencomputing verbessert werden. Hierdurch wird auch die Entwicklung leistungsstarker, leichterer Bauteile für Flugzeuge verbessert und ermöglicht somit die Materialoptimierung sowie Treibstoffeinsparungen im Betrieb.
Umlaufoptimierung von Zügen: Das Ziel ist die Optimierung der Zugplanung, um bei gegebenem Fahrplan möglichst wenig Züge zu benötigen und maximale Resilienz sowie minimale Leerfahrten im Zugnetz zu erreichen. Hierfür wird das Optimierungsproblem in QUBOs (Quadratic Unconstrained Binary Optimization) umgeschrieben und mittels hybriden Quantencomputings gelöst.