Die Quantum Learning Machine hilft bei der Analyse von Krankheitsbildern Die Medizinforschung bei Bayer und RWTH Aachen setzt auf Quantencomputing

Computing- und Life-Science-Experten der Organisationen Bayer und RWTH Aachen nutzen den Quantensimulator „Quantum Learning Machine“ (QLM) von Atos, um mit Hilfe großer Datenbestände die Entwicklung von Mehrfacherkrankungen zu erforschen. Sie evaluieren den Einsatz der Quantentechnologie bei der Erforschung und Analyse von Krankheitsbildern.

Anbieter zum Thema

Rittal GmbH & Co. KG

VMware Global Inc Zweigndl. Deutschland

Fujitsu Technology Solutions GmbH

Atos Information Technology GmbH

Atos Information Technology GmbH

Das Projekt basiert auf anonymisierten realen Daten von Intensivpatienten und hat das Ziel, Zusammenhänge zwischen Begleiterkrankungen und relevanten Mustern der Krankheitsentwicklung zu analysieren und zu identifizieren. Dieses Konzept ergänzt den Ansatz von klinischen Studien, die sich in der Regel auf eine begrenzte Anzahl von Patienten und gut strukturierte Daten für die Analyse von Krankheitsindikatoren konzentrieren.

Ulf Hengstmann, G4A Digital Health Innovation Manager von Bayer, erläutert: „Wir müssen den Gesundheitszustand von Patienten, die mehr als eine Krankheit haben, besser verstehen. Die Atos Quantum Learning Maschine wird uns helfen, die Entwicklung einer Krankheit und die Interaktion mit Begleiterkrankungen zu analysieren.“ Bekannt sei etwa, dass Patienten mit Herzinsuffizienz mehrere typische Begleiterkrankungen aufweisen können. „Jetzt müssen wir verstehen, warum dies so ist und wie es die Therapie beeinflusst“, so Hengstmann.

Der Quantencomputersimulator

Die Atos Quantum Learning Machine ist das erste kommerziell verfügbare und sofort einsetzbare, auf Quantengattern basierende Quantensystem, das bis zu 41 Qubits (Quantenbits) simulieren kann. Atos QLM kombiniert ein ultrakompaktes System mit einer Programmiersprache für Quanten-Software, die auf der „Atos Quantum Assembly Language“ (AQASM) basiert – eine Art Assembler.

Eine weitere Komponente ist ein leistungsstarker Software-Stack zur Simulation von Quantenprogrammen auf beliebiger Quantenrechner-Hardware, einschließlich der Modellierung von Quantenrauschen, nach Atos-Angaben einer in seiner Präzision einzigartigen Funktion auf dem Markt. Dank einer In-Memory-basierten Infrastruktur lässt sich die Simulationskapazität bei Bedarf jederzeit erhöhen und so die Skalierbarkeit von Anwendungen in Kombination mit höheren Arbeitslasten unterstützen.

Dirk Schapeler, Vice President G4A Digital Innovation von Bayer, ergänzt: „Quantum-Computing ist eine der aufstrebenden Technologien, die einen tiefgreifenden Einfluss auf die Life-Science-Branche, Gesundheitsdienstleister und natürlich die Behandlungsmöglichkeiten für Patienten haben werden. Quantencomputing befindet sich für uns jedoch noch in der Anfangsphase. Wir wollen herausfinden, wie und für welche Bereiche wir die Technologie am besten einsetzen können.“

Was liegt an?

So besteht die Herausforderung für die kommenden Jahre darin, Anwendungen zu finden, die auf frühen Quantenprozessoren laufen können. Damit lässt sich zeigen, dass Quantum-Computing entweder Probleme lösen kann, die herkömmliches Computing nicht bewältigen kann, oder aber beweisen, dass es exponentiell schneller ist. Dafür braucht es adäquate Messungen.

Das Joint Research Center for Computational Biomedicine an der RWTH Aachen führt Analysen auf einem Hochleistungscomputer durch, um die Genauigkeit und Leistung der Ergebnisse des Quantenexperiments zu bewerten. Professor Andreas Schuppert, Leiter des Joint Research Center for Computational Biomedicine, erläutert: „Das strukturelle Erlernen von Mechanismen aus Massendaten ist ein Forschungsschwerpunkt des Joint Research Center for Computational Biomedicine.“ Die Kombination von Quantum-Computing und maschinellem Lernen sei allerdings bis zu einem gewissen Grad noch Neuland.

Doch sehe das Institut ein großes Potenzial. „Wir erstellen daher eine vergleichende Datenanalyse mit einem Hochleistungscomputer, um die Vorteile von Quantum-Computing beim strukturellen Lernen zu evaluieren“, so Schuppert.

(ID:45591636)