Fraunhofer-Institut für Graphische Datenverarbeitung IGD
Quantencomputing
Veranstaltungsdetails
Programm
Das „Zentrum für angewandtes Quantencomputing“ (ZAQC) bietet im Juni eine Vortragsreihe zu ausgewählten Themen des angewandten Quantencomputing an. In den drei Vorträgen werden die Themen
- „Quanteninspirierte Optimierung“ (Mittwoch, 4.6.2025),
- „Tensornetzwerke für die physikalische Simulation“ (Donnerstag, 12.06.2025) und
- „Quantencomputing für die Proteinfaltung“ (Mittwoch, 18.06.2025) vorgestellt.
Die Vorträge finden in hybrider Form im Hörsaal des Fraunhofer IGD jeweils um 17:00 statt. Bitte melden Sie sich unter dem entsprechenden Link für die Veranstaltung an und wählen aus, ob Sie in Präsenz oder virtuell teilnehmen möchten.
Die Vorträge dauern jeweils ca. 45 Minuten und werden auf Englisch gehalten. Im Anschluss an die Vorträge gibt es noch Zeit für Q&A sowie zur Vernetzung.
Veranstaltungsort
Hörsaal vom Fraunhofer IGD
Fraunhoferstr. 5
64283 Darmstadt
Datum
04. Juni 2025 - 18. Juni 2025, 17:00 Uhr
Sprache
Englisch
Themen der Vortragsreihe
Quanteninspirierte Optimierung
Quanteninspirierte Optimierung
Vortragender: Dr. Matthias Heller
Die quanteninspirierte Optimierung nutzt Prinzipien der Quantenmechanik, um klassische Algorithmen zu verbessern, und bietet neuartige Ansätze zur potenziell effizienteren Lösung komplexer binärer Optimierungsprobleme, welche in vielen industriellen Fragestellungen eine Rolle spielen, darunter Logistik, Finanzen, maschinelles Lernen oder Pharmazie.
Dieser Vortrag gibt einen Überblick über klassische sowie Quanten- und quanteninspirierte Algorithmen zur heuristischen Lösung binärer Optimierungs-probleme, einschließlich „Simulated Annealing“, „Parallel Tempering“, „Quantum Annealing“ und „Simulated Quantum Annealing“. Die Algorithmen werden kurz vorgestellt und ihre jeweiligen Vor- und Nachteile werden diskutiert.
Themen des Vortrags:
- Einführung in die quadratische binäre Optimierung
- Klassische Algorithmen
- Quanten- und quanteninspirierte Algorithmen
Tensor-Netzwerke für die physikalische Simulation
Tensor-Netzwerke für die physikalische Simulation
Vortragender: Paul Haubenwallner
Die numerische Simulation physikalischer Eigenschaften ist eine der wichtigsten Herausforderungen in den Naturwissenschaften, die, wenn erfolgreich, die Vorhersage von Systemen, die noch nicht Gegenstand von Experimenten waren, ermöglicht. Das Hauptproblem bei den meisten Simulationen ist ihre enorme Komplexität: Im Normalfall muss man eine Vielzahl von Näherungen anwenden, und selbst dann skalieren viele Berechnungen exponentiell, entweder mit der Systemgröße oder mit der Genauigkeit, die für vernünftige Aussagen erforderlich ist.
In vielen Fällen ist die schlechte Skalierung der Simulation auf den sogenannten „Fluch der Dimensionalität“ zurückzuführen, der die exponentielle Skalierung von Daten in hochdimensionalen Räumen beschreibt. Lösungen für dieses Problem sind bekannt und reichen von dünn-besetzten Datenstrukturen über neuronale Netze bis hin zum Quantencomputing. Da jede Lösung ihre eigenen Vor- und Nachteile hat, muss man das richtige Werkzeug für das gegebene Problem auswählen.
Ein Werkzeug, das derzeit entwickelt wird, basiert auf Tensornetzwerken. Diese sind in der Lage, den „Fluch der Dimensionalität“ zu brechen, indem sie eine exponentielle Datenmenge über ein Produkt niedrigdimensionaler Tensoren approximiert. Sie wurden bereits erfolgreich in einer Vielzahl von Anwendungen eingesetzt, die von quantenchemischen Berechnungen bis hin zu Ingenieurproblemen reichen, und können als vielversprechende Alternative zu den oben genannten Methoden angesehen werden.
Themen des Vortrags:
- Einführung in Tensornetzwerke und deren Formate
- „Quantics“- Darstellung von Funktionen
- Funktionen als Tensornetzwerke
- Finite-Differenzen-Methode
- Finite-Elemente-Methode
Quantencomputing für die Proteinfaltung
Quantencomputing für die Proteinfaltung
Vortragender: Timon Schreiber
Die Vorhersage der dreidimensionalen Struktur eines bestimmten Proteins allein auf der Grundlage der Aminosäurensequenz ist ein wichtiges Problem in der Arzneimittelforschung und der computergestützten Biologie. Auch wenn die jüngsten Durchbrüche bei auf künstlicher Intelligenz basierenden Modellen, wie z. B. DeepMinds AlphaFold, eine Fülle von Strukturen verfügbar gemacht haben, entzieht sich ein erheblicher Teil der Proteine immer noch diesen Ansätzen. Insbesondere Proteine mit begrenzten Trainingsdaten oder Konformationsänderungen während der Bindung stellen immer noch erhebliche Hürden dar.
Im Gegensatz dazu sind physikbasierte Ansätze zwar nicht auf diese Probleme beschränkt, hinken aber immer noch hinterher. Ein Teil des Problems ergibt sich aus dem exponentiell großen Raum möglicher Konfigurationen selbst für kleinere Peptide. Darüber hinaus sind diese Konfigurationen oft durch hohe Energiebarrieren getrennt, was dazu führt, dass klassische Heuristiken, welche die Konfiguration mit der kleinsten Energie bestimmen sollten, oft in lokalen Minima gefangen sind. Die Quantenoptimierung verspricht eine neuartige Lösung für dieses Problem, indem sie hohe Energiebarrieren über den Quanten-Tunneleffekt überwindet. Allerdings sind die derzeitig verfügbaren Quantencomputer noch nicht weit genug entwickelt, um die Darstellung des gesamten Proteins auf atomarer Ebene zu bewältigen. Sind diese Computer dennoch in der Lage, die grobe Struktur von Proteinen vorherzusagen? Wie schneidet aktuelle Quantenhardware im Vergleich zu etablierten klassischen Lösungsalgorithmen ab?
Themen des Vortrags:
- Quantenoptimierung durch Quantenannealing
- Proteinfaltung als Optimierungsproblem
- Kodierung der Proteinfaltung für NISQ-Hardware
- Energielandschaften und Spinüberlappungsverteilung
- Vergleich mit klassischen Lösern