Algorithmen ohne tiefgehendes Fachwissen intendiert Das Projekt AutoQML verbindet Maschinelles Lernen und Quantencomputing

Quantencomputing ermöglicht es, rechenintensives, Maschinelles Lernen (ML) weiterzubringen. Im Projekt „AutoQML“ entwickeln acht Partner aus Forschung und Industrie Lösungsansätze, die Quantencomputing und ML verknüpfen. Eine Open-Source-Plattform soll Entwickler*innen befähigen, die Algorithmen ohne tiefgehendes Fachwissen nutzen zu können.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Cohesity GmbH

Schwarz IT KG

Fraunhofer-Institut für Arbeits- wirtschaft + Organisation IAO

Wie gelingt es Unternehmen, die Potenziale der Digitalisierung zu nutzen und wettbewerbsfähig zu bleiben? Der Einsatz von Technologien wie Künstlicher Intelligenz kann dabei helfen, von der digitalen Transformation bestmöglich zu profitieren. Vor allem maschinelles Lernen (ML) spielt in der Digitalisierungsstrategie vieler Unternehmen bereits eine große Rolle und ermöglicht unter anderem effizientere Prozesse sowie neue Geschäftsmodelle. A

llerdings fehlt es oft an Fachkräften. So ist die Implementierung von ML-Lösungen bisher noch häufig mit hohem Arbeitsaufwand verbunden. Von der Datenakquisition über die Wahl der passenden Algorithmen bis hin zur Optimierung des Trainings ist ein detailliertes Fachwissen in ML notwendig.

Der Ansatz des 'automatisierten maschinellen Lernens' (AutoML)soll diesen Herausforderungen entgegewirken und Entwickler*innen den Einsatz von Künstlicher Intelligenz erleichtern. Dabei wird insbesondere die Wahl der konkreten ML-Algorithmen automatisiert. Ziel ist es, dass die Nutzer sich somit weniger mit machine learning beschäftigen und auskennen müssen und sich mehr auf ihre eigentlichen Prozesse konzentrieren können.

Mithilfe von Quantencomputing

In diesem Zusammenhang markiert Quantencomputing den Durchbruch in eine neue technologische Ära, denn damit lässt sich der AutoML-Ansatz signifikant verbessern. Zudem bietet Quantencomputing die für AutoML oftmals nötige Rechenpower, so die Thesen.

Das Verbundprojekt AutoQML setzt an dieser Innovation an und verfolgt zwei wesentliche Ziele:

• Zum einen wird der neue Ansatz AutoQML entwickelt. Dieser wird um neu entwickelte Quanten-ML-Algorithmen erweitert.

• Zum anderen hebt Quantencomputing den AutoML-Ansatz auf ein neues Niveau; denn bestimmte Probleme lassen sich mithilfe von Quantencomputing schneller lösen als mit konventionellen Algorithmen.

Unter Leitung des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation IAO ermöglicht das Projekt einen vergleichsweise vereinfachten Zugang zu konventionellen und Quanten-ML-Algorithmen über eine Open-Source-Plattform. Neben dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA beteiligen sich die Unternehmen GFT Integrated Systems, USU Software AG, IAV GmbH Ingenieursgesellschaft Auto und Verkehr, KEB Automation KG, Trumpf Werkzeugmaschinen GmbH + Co. KG und die Zeppelin GmbH am Projekt. Die entwickelten Lösungen werden anhand von konkreten Anwendungsfällen aus dem Automotive- und Produktionsbereich erprobt.

Das Projektkonsortium wird Komponenten des Quantencomputing in heutige Lösungsansätze des Maschinellen Lernens integrieren, um die Performance-, Geschwindigkeits- und Komplexitätsvorteile von Quanten-Algorithmen im industriellen Kontext nutzen zu können. In einer „AutoQML-Developer Suit“e – einer Softwarebibliothek – sollen entwickelte Quanten-ML-Komponenten und Methoden in Form eines Werkzeugkastens zusammengeführt und den Entwickler*innen in einer Open-Source-Plattform zur Verfügung gestellt werden.

Die Laufzeit des Projekts beträgt drei Jahre. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert.

(ID:48235676)