Ziel der gemeinsamen Forschung ist es, das Potenzial des Quantencomputings für die Entwicklung neuer, leistungsfähiger Sicherheitslösungen zu nutzen. Die Forscherinnen und Forscher der Bundesdruckerei GmbH und des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation IAO konzentrieren sich dabei insbesondere auf die Erkennung ungewöhnlicher Kreditkartentransaktionen, die auf betrügerische Aktivitäten hindeuten könnten. Im vom BMF beauftragten Projekt Qu-Gov erforschen und testen die Innovatoren der Bundesdruckerei GmbH Quantentechnologien in Hinblick auf Anwendungsfälle im hoheitlich-behördlichen Umfeld. Ali Abedi, Senior Innovation Developer der Bundesdruckerei und Leiter der Kollaboration mit dem Fraunhofer IAO zeigt sich sehr zufrieden mit den Ergebnissen der Zusammenarbeit. »Wir werden die Ergebnisse aus der gemeinsamen Forschung weiterhin in Proof of Concepts zur Nutzung von Quantentechnologien in der Verwaltung der Zukunft evaluieren.«
Hybride Ansätze und Benchmarking für beste Ergebnisse
Um optimale Resultate zu erzielen, kombinierten die Wissenschaftlerinnen und Wissenschaftler klassische Machine-Learning-Verfahren mit quantenmechanischen Prinzipien. Durch den Einsatz von projizierten Quanten-Kerneln konnte die Leistungsfähigkeit der Modelle insbesondere bei kleinen Datensätzen gesteigert werden.
In einem umfassenden Benchmarking wurden die entwickelten Modelle auf verschiedenen Quantencomputern führender Hersteller wie IBM Quantum, IonQ und AQT getestet. Dabei kamen sowohl Supraleiter- als auch Ionenfallenchips zum Einsatz. Die Ergebnisse zeigen, dass die Quantenmodelle auch auf der aktuellen Hardwaregeneration vielversprechende Resultate liefern.
Kurz erklärt: Kernel messen im Wesentlichen, wie ähnlich sich zwei Datenpunkte sind. Je ähnlicher sie sind, desto größer ist der Wert der Kernel-Funktion.
Im Detail: Kernel sind im maschinellen Lernen, insbesondere bei Support Vector Machines (SVMs), mathematische Werkzeuge, die es ermöglichen, Datenpunkte aus einem niederdimensionalen Raum in einen höherdimensionalen Feature-Raum zu transformieren. Diese Transformation erleichtert die Erkennung komplexer, nichtlinearer Entscheidungsgrenzen zwischen verschiedenen Datenkategorien.
Potenzial für die Medizin
Die erfolgreiche Anwendung von Quantum Machine Learning in der Anomalieerkennung eröffnet neue Perspektiven in vielen weiteren Bereichen. Daniel Pranjic, wissenschaftlicher Mitarbeiter und Projektleiter am Fraunhofer IAO, erklärt: »Dieses Projekt zeigt das transformative Potenzial von Quantencomputing in der Datenanalyse. Wir freuen uns darauf, diese Technologie weiter zu erforschen und neue Anwendungen zu entwickeln.«
Gerade in der Medizin, wo oft nur begrenzte Datenmengen zur Verfügung stehen, könnten die entwickelten Modelle einen entscheidenden Beitrag leisten. Ihre Fähigkeit, auch bei kleinen Datensätzen präzise zu verallgemeinern, macht sie ideal für die Diagnose seltener Krankheiten.
Die zukunftsweisende Forschung von Bundesdruckerei und Fraunhofer IAO unterstreicht das Potenzial des Quantum Machine Learning. Die erzielten Ergebnisse sind ein bedeutender Schritt hin zu einer neuen Generation von KI-Anwendungen, die in der Lage sind, komplexe Probleme zu lösen und wertvolle Erkenntnisse zu gewinnen.
Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO