Terra Quantum: Vereinfachte Bewertung von Quantencomputern für gewerbliche Anwendungen
Was Quantencomputer bereits leisten
Terra Quantum, ein Unternehmen mit Sitz in Deutschland und der Schweiz, das sich besonders dem Quantencomputing verschrieben hat, hat ein umfassendes Benchmarking von öffentlich zugänglichen simulierten und nativen Quantencomputer-Plattformen durchgeführt. Ziel der Studie war es, zu untersuchen, wie sich die Vorhersagegenauigkeit und Trainingszeit von neuronalen Netzen durch die Verwendung eines hybriden Ansatzes (simulierte und native Quantenprozessoren in Kombination mit Hochleistungsrechnern) verbessern lassen.
Die Studienergebnisse zeigen, dass die Kombination aus simulierten Quantenprozessoren und klassischen Hochleistungscomputern den leistungsfähigsten, kosteneffizientesten und robustesten Ansatz liefert. Das erste Benchmarking wurde am 25. November abgeschlossen und vergleicht die Leistung einer Vielzahl öffentlich zugänglicher nativer und simulierter Quantencomputer (darunter IonQ, Rigetti, Oxford Quantum Circuits, IBM, QMware und Amazon Braket).
Da der Schwerpunkt der Studie auf realen Anwendungen lag, gingen keine Systeme in den Vergleich ein, die nicht öffentlich zugänglich sind oder sich noch in einem experimentellen Stadium befinden. Terra Quantum plant, das Benchmarking fortlaufend weiterzuführen und mit der technischen Entwicklung auf dem Markt zu erweitern.
„Das Benchmarking von Terra Quantum liefert belastbare Erkenntnisse für alle, die Quantencomputing einsetzen wollen. So können sie den effizientesten Einsatz sicherstellen und die Vorteile der Technologie heute schon nutzen, um sich erfolgreich auf die Quantenzukunft vorzubereiten,“ sagte dazu Markus Pflitsch, CEO und Gründer von Terra Quantum. „Wir wollen Entscheidungsträgern und Experten in relevanten Branchen aktuelle Erkenntnisse für den optimalen Einsatz liefern. Die vorgestellten Ergebnisse sind eine wichtige Grundlage für die einfache und umfassende gewerbliche Anwendung.“
Basierend auf einer Kombination aus Geschwindigkeit, Betriebskosten und Ergebnisqualität hat die Studie die Leistungsfähigkeit öffentlich zugänglicher Quantencomputer verglichen. Die Ergebnisse zeigen, dass eine Kombination aus simulierten Quantenprozessoren und klassischen Hochleistungscomputern (ein sogenannter hybrider Ansatz) heute die zeit- und kosteneffizienteste Lösung für das Training von Quantenalgorithmen darstellt. Dies liefere wertvolle Erkenntnisse für gewerbliche Erstanwender, wenn sie die effizienteste Nutzung der Quantencomputertechnik bewerten.
Das Training der neuronalen Netze auf einem simulierten Quantenprozessor vermeidet das Training eines Modells auf nativen Quantenprozessoren, das kostenintensive Wiederholungen erfordert. Diese sind erforderlich, da die heutigen nativen Quantenprozessoren Berechnungsfehler produzieren. Diese Fehler stellen aktuell die größte Herausforderung für Anbieter nativer Quantenprozessoren dar. Denn die Fehleranfälligkeit heutiger nativer Quantenprozessoren reduziert die Nutzbarkeit einer großen Anzahl physikalischer Qubits auf nur wenige nutzbare Qubits. Simulierte Quantenprozessoren bieten bis zu 40 fehlerfreie (sogenannte algorithmische) Qubits und ermöglichen damit heute komplexe quantengestützte Problemlösungen. QMware bietet bis zu 40 und AWS SV1 bis zu 34 simulierte Qubits.
„Die Analyse zeigt eindrucksvoll, dass nur eine Kombination von simulierten oder nativen Qubits mit klassischer Hochleistungsrechenleistung wettbewerbsfähige Ergebnisse im Vergleich zu den heutigen rein klassischen Ansätzen liefert. Das Benchmarking unterstreicht außerdem, dass Trainingsalgorithmen mit simulierten Qubits heute die einzige kommerziell vertretbare Option sind,“ unterstreicht Georg Gesek, CTO und Mitbegründer von QMware. „Sie sind im Vergleich zu nativen Quantenprozessoren günstiger und genauer. Bei Algorithmen die weniger als 30 Qubits benötigen, lieferten sie sogar schnellere Ergebnisse als ihre nativen Gegenstücke. Die von QMware simulierte QPU ist heute die schnellste öffentlich verfügbare Option für Algorithmen, die weniger als 27 Qubits benötigen. Im Benchmarking verarbeitete die Soft- und Hardware-Plattform von QMware die Daten 78 Prozent schneller als die zweitbeste Plattform.“
Selbst eine geringe Anzahl nativer Quantenverarbeitungsleistung habe das Potenzial, die Berechnungsfähigkeiten eines hybriden Quantencomputers zu steigern. Die Forscher erwarten von der Integration simulierter und nativer Quantenprozessoren in Hochleistungscomputer vielversprechende Anwendungsvorteile. Dadurch könnte sich die frühzeitige Einführung von Quantencomputern die kommerzielle Nutzung in einer Reihe von Branchen wie Telekommunikation, Logistik, Finanzen, Automobil und Energie noch beschleunigen.
„Quantenalgorithmen funktionieren am besten, wenn sie auf einer speziellen Hardware- und Softwarekombination ausgeführt werden, die Multithreading und RAM-Nutzung optimiert. Dies unterstreicht den wesentlichen Bedarf an Cloud-Plattformen wie QMware, die Algorithmen mit bis zu 40 Qubits ausführen können. Wir erwarten, dass physische QPUs einen praktischen Vorteil beim maschinellen Quantenlernen bieten, sobald Prozessoren mit 30 Qubits eine ausreichende Qualität aufweisen“, erklärte Dr. Alexey Melnikov, Leiter des Bereichs Quantum Machine Learning bei Terra Quantum, hinzu.
Lesen Sie mehr zum Thema
