Quantencomputing: So lösen Quanten-Annealer komplizierte Optimierungsaufgaben

Starke Quanten-Annealing-Systeme sollen Optimierungsaufgaben besser lösen als herkömmliche Rechner. Dafür arbeiten sie gänzlich anders als Quantengattersysteme.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 1 Kommentar lesen
Lesezeit: 16 Min.
Von
  • Dr. Florian Neukart
Inhaltsverzeichnis

Quanten-Annealing-Systeme versprechen Optimierungsaufgaben effizienter zu bewältigen, als es klassische Rechner je könnten. Dabei geht es selten um theoretische Fragen, sondern vor allem um praktische: "Welche ist die kürzeste Route?" "Welche Übertragungsqualität ist optimal?" "Wie erwirtschaften wir maximalen Gewinn?" Mit solchen Fragen versucht man, die bestmöglichen Werte für eine oder mehrere Variablen zu bestimmen.

Im Fall von zwei Variablen kann man sich Optimierungsaufgaben als hügelige Landschaft vorstellen: Längen- und Breitengrad entsprechen den beiden Variablen, jeder Ort steht also für eine bestimmte Kombination von Werten. Die Höhe der Landschaft an einem Ort steht für die Qualität der Lösung, falls man diese Wertekombination nutzt. Man definiert oft, dass bessere Werte kleiner sind. Daraus folgt für die Hügellandschaft, dass gute Lösungen in den Tälern zu finden sind und schlechte auf den Gipfeln.

Schwerpunkt Quantencomputing

Echte Anwendungsfälle haben allerdings oft Hunderte von Parametern. Beispielsweise versucht man nicht die beste Route für ein einzelnes Auto zu finden, sondern will die Gesamtzeit in einem Verkehrssystem minimieren, in dem Hunderte oder Tausende von Fahrzeugen unterwegs sind. Landschaften mit Hunderten von Dimensionen kann man sich nicht räumlich vorstellen, aber das Prinzip bleibt gleich: Jeder Punkt auf der Landschaft ist mit einem Wert c versehen. Je kleiner c, desto besser sind die Parameter am Punkt.