Thought Leadership
Der Markt für Quanten-Computing entwickelt sich rasant. 2025 werden die Umsätze eine Milliarde US-Dollar überschreiten, bis 2030 erwarten Experten eine Verzwanzigfachung.
Speziell KI wird von der enormen Rechenleistung profitieren, weil sich damit wesentlich komplexere Fragestellungen lösen lassen. Ausgeschöpft wird dieses Potenzial – Stand heute – aber noch längst nicht.
Quantencomputer stellen Daten nicht binär dar, sondern nutzen Quanten-Bits (Qubits), die in verschiedenen Stadien gleichzeitig vorliegen können (Prinzip der Überlagerung). Dieser Status erlaubt Quantenrechnern in einem einzigen Qubit die Verarbeitung der doppelten Menge an Informationen wie in einem Bit. Bei einer Erhöhung der Qubits steigt die Performance exponentiell: Mit 10 Qubits sind ebenso viele Kalkulationen möglich wie mit 1.024 binären Bits.
Studie: Großes Interesse, aber Mangel an Anwendungsfällen
Kein Wunder also, dass eine Mehrheit der Unternehmen weltweit großes Interesse an Quanten-Computing in Verbindung mit künstlicher Intelligenz (KI) hat. Mehr als 60 Prozent planen Investitionen oder erproben Einsatzszenarien mit Quanten-KI (Quantum AI). Das hat eine globale Studie unter 500 Führungskräften ergeben, die der Daten- und KI-Experte SAS durchgeführt hat.
Die Umfrageteilnehmer sehen jedoch auch Barrieren, die einer umfassenden Adaption der Technologie im Wege stehen. Dazu gehören vor allem: hohe Kosten (38 Prozent), unzureichendes Verständnis für die Technologie (35 Prozent) und Unsicherheit, was den praktischen Nutzen angeht (31 Prozent). Weitere Hürden sind mangelndes Know-how der Mitarbeiter (31 Prozent) und Unklarheiten bei der Regulatorik (26 Prozent).
Laut Studie geben rund 70 Prozent der Befragten an, das Konzept Quanten-KI zu kennen. Das größte Potenzial schreiben sie der Technologie im Zusammenhang mit folgenden Aufgabenbereichen zu: Datenanalyse und Machine Learning (48 Prozent), Forschung und Entwicklung (41 Prozent), Cybersecurity (35 Prozent), Supply Chain Management und Logistik (31 Prozent), Finanz- und Risikomanagement (26 Prozent) sowie Marketing (20 Prozent).
Hybrider Ansatz zur Lösung komplexer Probleme
Damit die Technologie für ein breites Zielpublikum zugänglich wird und Unternehmen schneller einen Mehrwert daraus generieren können, ist ein hybrider Ansatz entscheidend, bei dem Quanten-Computing und traditionelle Datenanalyse zusammenwirken.
Die Kombination ermöglicht die Entwicklung neuer Algorithmen, Modelle und Systeme, die in der Lage sind, komplexe Daten zu verarbeiten, komplizierte Machine-Learning-Modelle zu trainieren und Probleme zu lösen, die mit herkömmlichen Rechnern bisher nicht zu bewältigen waren. Bereiche, die davon profitieren, sind zum Beispiel Medikamentenentwicklung, Risikomanagement im Finanzsektor oder bessere Qualität und optimierte Prozesse in der Fertigung.
Einsatzmöglichkeiten in verschiedensten Branchen
Im Finanzsektor hilft Quanten-KI dabei, Investment-Portfolios zu optimieren, Risiken zu steuern und Betrug zu erkennen. Quanten-Algorithmen sind in der Lage, extrem komplexe Finanzdaten zu verarbeiten und Muster aufzuzeigen, die mit herkömmlichen Methoden wahrscheinlich unentdeckt bleiben. Zudem hat Quanten-Computing das Potenzial, kryptografische Methoden zu optimieren, was zu sichereren Transaktionen führt.
Versicherer profitieren von Daten mit hochkomplexen Korrelationen, um Verluste präzise vorherzusagen sowie maßgeschneiderte Angebote mit passender Tarifierung zu entwickeln. Quanten-KI hilft insofern dabei, als es die komplexen Beziehungen simultan analysieren kann. So sind sich schnell verändernde Risiken wie Wettermuster und ihr Einfluss auf Liquidität und Pricing besser einzuschätzen.
Quanten-KI könnte auch das Gesundheitswesen transformieren: Quanten-Computer sind in der Lage, molekulare Interaktionen auf Atomebene zu modellieren, eine Grundvoraussetzung für das Verständnis von Krankheiten und die Entwicklung neuer Medikamente. Forscher können dadurch potenzielle Kandidaten für die Erprobung dieser Medikamente schneller und sicherer identifizieren, was Zeit und Kosten in Verbindung mit einer Markteinführung reduziert.
Mehrzahl der Anwendungsfälle noch nicht produktionsreif
Entscheidend ist die Frage, wann Quanten-Computer Vorteile gegenüber klassischen Lösungen bieten werden. Angesichts des aktuellen Stands bei der Hardware sind die meisten Aufgabenstellungen für Quanten-KI noch nicht produktionsreif. Ein Großteil der Arbeit konzentriert sich daher bisher auf kleinere Probleme, Prototypen oder Proofs of Concept.
Eine verbreitete Ansicht in der Quantenindustrie ist, dass es daher zumindest in naher Zukunft noch keine Szenarien geben wird, in denen ein rein quantenbasierter Ansatz optimale Ergebnisse liefern kann. In den kommenden Jahrzehnten wird Quanten-KI also mit großer Sicherheit ein hybrider Ansatz bleiben: CPUs, GPUs und QPUs (Quantum Processing Units) arbeiten Seite an Seite, um jeweils den Teil des Problems zu lösen, für den sie am besten geeignet sind.
In einem Experiment, das SAS zum Performancevergleich bei der Problemformulierung durchgeführt hat, zeigten sich die Unterschiede von drei verschiedenen Ansätzen deutlich. Der rein quantenbasierte, bei dem ausschließlich der Quantenlöser verwendet wurde, lieferte innerhalb von zwei Minuten Ergebnisse – allerdings ohne die optimale Lösung zu präsentieren. Der klassische Optimization Solver ohne Quanten-Annealing erreichte die optimale Lösung, aber es dauerte sechs Stunden. Der hybride Ansatz aus Optimization Solver und Quanten-Technologie schließlich brachte das Beste aus beiden Welten zusammen: Nach lediglich 12 Minuten lag die optimale Lösung vor.
Quantensprung für die Datenanalyse
Im gleichen Zuge, wie sich Quanten-Computer im Hinblick auf Zuverlässigkeit und Skalierbarkeit weiterentwickeln, werden auch die hybriden Ansätze bei der Datenanalyse zu besseren KI-gestützten Entscheidungen führen. Hersteller von Quanten-Computern experimentieren aktuell damit, QPUs und spezialisierte AIUs (AI Units) zusammenzubringen. In den kommenden fünf bis zehn Jahren sind daher signifikante Entwicklungssprünge bei Quanten-KI zu erwarten.
