Mobile-Menu

Quanten-KI in der Industrie AutoQML bringt Quanten-Boost fürs Machine Learning

Von Berk Kutsal 2 min Lesedauer

Anbieter zum Thema

USU GmbH
Fsas Technologies GmbH
Board Deutschland GmbH
QUNIS GmbH

Mit dem Forschungsprojekt AutoQML soll die Brücke zwischen klassischem maschinellem Lernen und Quantencomputing geschlagen worden sein. Eine Open-Source-Plattform könnte künftig helfen, Anwendungen in der Industrie effizienter zu gestalten – auch für Mittelständler ohne spezialisiertes Know-how.

AutoML vereinfache die Entwicklung von KI-Modellen, indem es viele manuelle Schritte automatisiert. Durch die Integration von Quantencomputing sollen diese Prozesse noch effizienter und leistungsfähiger gestaltet werden sollen. Das Ergebnis: AutoQML.(Bild: KI-generiert)
AutoML vereinfache die Entwicklung von KI-Modellen, indem es viele manuelle Schritte automatisiert. Durch die Integration von Quantencomputing sollen diese Prozesse noch effizienter und leistungsfähiger gestaltet werden sollen. Das Ergebnis: AutoQML.
(Bild: KI-generiert)

Quantenunterstütztes maschinelles Lernen ist schon längst kein Stoff für Forschungslabore mehr – auch nicht für die Projektpartner von AutoQML. Denn unter Federführung von USU, gemeinsam mit Partnern wie den Fraunhofer-Instituten IAO und IPA sowie GFT Integrated Systems, IAV GmbH, KEB Automation KG, Trumpf und Zeppelin GmbH, sei eine Open-Source-Plattform entwickelt worden, die Methoden des automatisierten maschinellen Lernens (AutoML) mit quantengestützten Verfahren kombinieren soll.

Das Projekt, gefördert vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK), hatte ein klares Ziel: komplexe KI-Entwicklung auch für Unternehmen zugänglich zu machen, die weder über Data-Science-Teams noch über Quantenexpertise verfügen. AutoML-Tools sollen bereits heute viele Schritte bei der Erstellung von KI-Modellen erleichtern, etwa durch automatische Modellwahl oder Hyperparameter-Tuning. Der Clou bei AutoQML soll sein: Die zugrunde liegende Plattform ergänze diese Methoden durch quantenbasierte Algorithmen, um Performance und Effizienz weiter zu steigern.

Die technische Basis bilde eine modulare Bibliothek, die sowohl klassische als auch quantengestützte Verfahren bereitstellen soll. Laut USU sei es dabei gelungen, zentrale Komponenten für die einfache Konfiguration von ML-Anwendungen zu entwickeln – etwa grafische Oberflächen zur Auswahl von Pipelines oder vordefinierte Use Cases. In der praktischen Erprobung, etwa bei vorausschauender Wartung oder automatisierter Qualitätskontrolle in der Produktion, hätten die entwickelten Modelle klassische Verfahren nicht nur erreicht, sondern in einzelnen Fällen auch übertroffen – bei gleichzeitig geringerem Aufwand.

Noch steckt Quantencomputing in der Industrieanwendung in den Kinderschuhen. Zwar versprechen Unternehmen wie IBM oder D-Wave eine kontinuierliche Weiterentwicklung der Hardware, doch der wirtschaftliche Durchbruch steht aus. Eine Analyse von McKinsey prognostiziert, dass Quantencomputing erst ab Mitte der 2030er-Jahre disruptives Potenzial in ausgewählten Industrien entfalten könnte – insbesondere in Chemie, Pharma und Logistik.

Die Einbindung von Mittelständlern wie KEB Automation oder Zeppelin zeigt, dass der Transfer in die industrielle Praxis mehr sein könnte als ein akademisches Experiment. Und doch bleibt die Frage: Wie viel Quanten-KI braucht die Industrie wirklich – und wie viel davon ist bloß Forschung auf Vorrat?

Was bleibt: AutoQML liefert einen Baukasten, der den Einstieg in diese komplexe Technologie ebnen möchte. Ob daraus ein echtes Werkzeug für den Mittelstand wird oder ein weiterer Open-Source-Ersatz für technologische Machbarkeitsstudien – das wird sich erst zeigen, wenn die Industrie beginnt, es wirklich zu nutzen.

(ID:50371897)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte