Dr. Christian Tutschku, Projekt- und Teamleiter Quantencomputing am Fraunhofer IAO
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Am Fraunhofer IAO leite ich das Team Quantencomputing. Wir gehören zum Forschungsbereich Digital Business, der mit uns und der Abteilung für Künstliche Intelligenz und datenbasierte Automatisierung über ein breites Know-how auf dem Gebiet QC und KI verfügt. Ich bin studierter Physiker und habe in den Bereichen Theoretische Festkörperphysik und Quantencomputing promoviert. In AutoQML verbinden wir unser Fachwissen über Quantencomputing und Algorithmenentwicklung mit unserer Expertise in Theoretischer Festkörperphysik, Machine Learning und Künstliche Intelligenz. Unsere praktischen Erfahrungen mit dem IBM Quantum System One bringen wir in die Entwicklung der QML-Algorithmen ein.«
Was ist eure konkrete Rolle im Projekt?
»Das Fraunhofer IAO ist mit der Gesamtleitung des Projekts AutoQML betraut und übernimmt die wissenschaftliche Koordination bei der Bearbeitung von Fragestellungen, die sich im Lauf des Projekts ergeben.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»AutoQML leistet einen signifikanten Beitrag für die zukünftige Integration von Quantencomputing in klassische ML-Prozesse, die derzeit noch kostenintensiv und zeitaufwändig sind. Um dieses Vorhaben zu verwirklichen, erarbeitet das Projekt Plattformen, Werkzeuge und Methoden für die wirtschaftliche Erschließung von Quantenanwendungen. Durch die Entwicklung von hybriden Software-Lösungen werden konventionelle Computer und QC-Systeme im ML kombiniert. Unternehmen können neuartige Strategien und Methoden für ihre Anwendungsprobleme identifizieren und dazu befähigt werden, Quantencomputing gezielt zu ihrem Vorteil zu nutzen. AutoQML ist ein offenes Vorhaben und bietet mit der Bereitstellung der Projektergebnisse auf der PlanQK-Plattform dem gesamten QC-Ökosystem einen Mehrwehrt.«
Dr. Marco Roth, Teamleiter Quantencomputing am Fraunhofer IPA
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Unser Team hat bereits viel Erfahrung in der Forschung rund um Maschinelles Lernen und Quantencomputing, also genau in den beiden Kernthemen des AutoQML-Projekts. Wir entwickeln quantenbasierte Methoden u.a. für die mathematische Optimierung und das maschinelle Lernen und erproben, wie sich die Kombination von beiden in industriellen Anwendungsprozessen sinnvoll einbetten lässt. Ein Anwendungsgebiet ist beispielsweise die Wasserstofftechnologie. Für Elektrolyseure entwickeln wir Lebensdaueranalysen oder betreiben Materialforschung.«
Was ist eure konkrete Rolle im Projekt?
»Für uns steht bei diesem Projekt die Theorie- und Methodenentwicklung rund um die Kombination von Quantencomputing und AutoML im Mittelpunkt. Das Tolle bei AutoML ist ja, dass Nutzende weniger Wissen benötigen als bei klassischem Maschinellem Lernen, weil sie durch mehr Automatisierung in der Anwendung unterstützt werden. Die Einbindung von quantenbasierten ML-Methoden in dieses Framework erlaubt einen niedrigschwelligen Zugang zu dieser Zukunftstechnologie. Es gilt aber, genau die Vorteile von QML herauszuarbeiten und zu validieren, wann AutoML genügt und wann AutoQML tatsächlich sinnvoll ist.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»Für uns ist es wichtig, die Forschung zum Quantencomputing und dessen Potenzialen voranzubringen. In Kooperation mit unseren Partnern streben wir überdies danach, AutoQML in der Industrie in praktischen Anwendungen zu erproben. So möchten wir die Potenziale, aber auch die Grenzen verglichen mit klassischem AutoML und QML besser verstehen und Unternehmen entsprechende Handlungsoptionen eröffnen.«
Dr. Peter Schichtel, Data Scientist bei IAV GmbH Ingenieursgesellschaft Auto und Verkehr
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Ich bin Theoretischer Teilchenphysiker und beschäftige mich bei IAV mit Machine Learning Research, hauptsächlich für Zeitreihen wie zum Beispiel Motorsteuergerätedaten oder Sensordaten. IAV macht dies auch zusammen mit dem DFKI (kurz für: Deutsches Forschungszentrum für Künstliche Intelligenz), wo ich für unser Transfer Lab verantwortlich bin. Im Bereich Quantencomputing habe ich mich beim DFKI vor einigen Jahren damit beschäftigt, wie man zum Beispiel für ML ein neuronales Netz mit einem Quantencomputer darstellen könnte und ob dies auch für Zeitreihen funktioniert.«
Was ist eure konkrete Rolle im Projekt?
»Bei IAV bin ich für das Projekt AutoQML verantwortlich und damit auch für die Abstimmung mit den Projektpartnern. Zu meiner Rolle gehört, bei IAV die Projekt-Roadmap und die Projektentwicklung zu dokumentieren und zu bestimmen. Dazu arbeite ich mit unseren Data-Science-Teams im Rahmen der Umsetzung zusammen und bin auch in die Programmierung involviert.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»Ein wesentlicher Mehrwert besteht darin, für den Quantencomputer »bereit« zu sein. Wissen wir, wie wir was auf den Quantencomputer bringen können und wieviel? Und sind unsere Infrastruktur, Data Science Pipeline und Landschaft darauf vorbereitet? Der Mehrwert ist, dass wir ohne Entwicklung Quantencomputer nutzen können, falls vom Kunden gewünscht. Ein weiterer Mehrwert besteht darin, dass diese Dinge in unseren Data Science TeckStack integriert und abgestimmt werden.«
Khaled Al-Gumaei, Senior Data Architect IoT bei KEB Automation KG
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Ich bin in erster Linie ein Data Architect und meine Aufgabe besteht darin, die Datenrichtlinien und -infrastrukturen des Unternehmens zu entwerfen und zu entwickeln. Da ich jedoch eng mit Datenanalyst*innen zusammenarbeite, verfüge ich über grundlegende Kenntnisse in KI und maschinellem Lernen, insbesondere in Bezug auf die Analyse von Daten des Industrial IoT. Zum Quantencomputing würde ich sagen, dass ich bisher nur einen theoretischen Hintergrund habe. Ich freue mich jedoch sehr über die Möglichkeit, die mir bekannte Theorie im Projekt AutoQML in die Praxis umzusetzen.«
Was ist eure konkrete Rolle im Projekt?
»Meine Aufgabe im Projekt ist es, eine Datenplattform für die Sammlung, Übertragung, Speicherung und Verwaltung der AGILOX-Daten einzurichten und sicherzustellen, dass diese Daten für die AutoQML-Datenwissenschaftler*innen aufbereitet und verfügbar sind. Darüber hinaus übersetze ich die von den KEB-Fachleuten bereitgestellten Geschäftsanforderungen in technische Anforderungen für die Datenanalyse. Später koordiniere und implementiere ich die Integration der entwickelten Lösung in das KEB Ecosystem.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»Die im Projekt erarbeiteten Lösungen können genutzt werden, um die Herausforderungen heutiger AutoML-Ansätze zu meistern und den Zugang zu QML-Methoden zu vereinfachen. So können intelligentere Funktionalitäten von KI-Modellen ermöglicht werden. Im Use Case von KEB erwarten wir eine Lösung zur schnelleren Erkennung neuer Muster und Fehler im Transportsystem und damit eine Optimierung der innerbetrieblichen Logistik- und Wartungsabläufe sowie eine Kostensenkung. Wir glauben, dass unsere Teilnahme an diesem Projekt eine gute Gelegenheit bietet, die digitale Souveränität voranzutreiben und Wettbewerbsvorteile zu sichern.«
Dr. Daniel Basilewitsch, Quantum Computing Scientist bei TRUMPF SE + Co. KG
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Gemeinsam mit meinen Kollegen aus der Quantum Applications Group von TRUMPF verfügen wir über ein umfangreiches Wissen zu Quantencomputing und maschinellem Lernen. Im Bereich Quantencomputing ist TRUMPF bereits seit einigen Jahren aktiv, um das Anwendungspotenzial dieser wichtigen Zukunftstechnologie auszuloten. Dazu sind wir unter anderem im Projekt PlanQK tätig sowie als Mitglied von QUTAC, einem Konsortium führender deutscher Unternehmen mit dem gemeinsamen Ziel, industrielle Anwendungen von Quantentechnologien in Deutschland zu fördern. Im Bereich maschinelles Lernen und KI ist TRUMPF bereits seit langer Zeit aktiv. Hier liegt unser Fokus auf der Anwendung, insbesondere der Auswertung von Maschinen- und Kundendaten, um unsere Produkte kontinuierlich zu verbessern.«
Was ist eure konkrete Rolle im Projekt?
»TRUMPF ist hier sowohl als Bereitsteller eines Use Cases zur Bildklassifizierung als auch als Anwender der im Rahmen des Projekts entwickelten Methoden involviert. Im weiteren Verlauf werden wir die klassischen Referenzlösungen für die Bildklassifizierung beisteuern und diese mit den entwickelten QML-Methoden vergleichen.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»AutoQML erlaubt uns, TRUMPFs bereits existierende Interessenfelder Quantencomputing und KI zu verbinden und auf beiden Gebieten neue Erfahrungen und Erkenntnisse zu gewinnen. Insbesondere liefert das Projekt eine Bewertung, was nach aktuellem Stand der Technik mit QML-Methoden und heutiger Quantenhardware möglich ist und wo zukünftig relevante Anwendungsbeispiele für TRUMPF liegen könnten. Nicht zuletzt bietet das Projekt den perfekten Rahmen zum Austausch mit führenden Forschungseinrichtungen und Unternehmen.«
Horst Stühler, Data Scientist bei Zeppelin GmbH
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Als Data Scientist liegen meine Schwerpunkte in der Erfassung und Verarbeitung von Daten und der daraus entstehenden Wissensgenerierung. In diesem Zusammenhang verwenden wir bei Zeppelin unterschiedlichste Methoden aus dem Bereich des Maschinellen Lernens. Der Fokus liegt dabei stets auf der Integration und Implementierung neuester Entwicklungen, mit dem Ziel die Kollegen durch datenbasierte, digitale Lösungen bestmöglich zu unterstützen. Den Bereich Quantencomputing erachten wir als vielversprechende Zukunftstechnologie und wollen uns im Rahmen von AutoQML entsprechendes Know-how aufbauen.«
Was ist eure konkrete Rolle im Projekt?
»In dem Projekt bekleide ich mehrere Rollen. Ich bin Projektleiter von AP 6 (kurz für: Arbeitspaket) und fülle diese Rolle auch bei Zeppelin intern aus. Darüber hinaus bin ich auch für die technische Umsetzung verantwortlich und führe diese zu weiten Teilen auch selbst aus.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»Der erste Mehrwert besteht in dem Wissens- und Erfahrungstransfer zwischen den projektteilnehmenden Industriepartnern und Forschungsinstituten. Ein weiterer Mehrwert liegt in der intensiven Auseinandersetzung mit unterschiedlichen AutoML-Methoden, was zu einem tiefen Verständnis in diesem Bereich führt. Zu guter Letzt versetzt uns das AutoQML-Projekt in die Lage, die Anwendbarkeit von Quantencomputing und QML-Methoden besser zu verstehen und bewerten zu können.«
Henning Krause, Wissenschaftlicher Mitarbeiter bei GFT Integrated Systems GmbH
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Die GFT Gruppe besitzt Machine Learning Know-how aus vorhergegangenen Industriekooperationen in verschiedensten, industriespezifischen Domänen. Ich bin die Ansprechperson für das Projekt bei der GFT Integrated Systems GmbH und habe mich in meinem Master der Informatik und in Stationen nach dem Studium mit klassischem ML mit dem Schwerpunkt Bildverarbeitung beschäftigt. Da bisher bei der GFT noch keine Expertise für Quantencomputing vorhanden ist, soll in diesem Projekt gezielt strategisches Wissen erarbeitet werden, um das Potenzial und die Anwendungsbereiche von Quantencomputing zu erkennen und für die Zukunft nutzen zu können.«
Was ist eure konkrete Rolle im Projekt?
»Die GFT fungiert im AutoQML-Projekt als eines der zwei Softwarehäuser. Deren Aufgabe ist es, die softwareseitige Anbindung und konzeptionelle Umsetzung der Use Cases der Anwendungspartner zu gewährleisten. Dabei werden die notwendigen Erweiterungen an den Softwarekomponenten und deren Konfiguration von mir umgesetzt. Bei weiteren Fragen, zum Beispiel welche Algorithmen oder Bibliotheken verwendet werden sollen, versuche ich meine Expertise aus dem ML-Bereich einzubringen.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»Vom AutoQML-Projekt erhofft sich die GFT einen Ausbau der Expertise mit AutoML-Techniken und den Einstieg in die Thematik des Quantencomputings. Zusätzlich sollen perspektivisch aus der Zusammenarbeit mit den Projektpartnern Anwendungsfälle und Lösungsansätze für neue und bestehende Kunden der GFT entstehen. Mich persönlich interessiert an diesem Projekt der anwendungsnahe Einsatz von AutoML und natürlich der spannende Einblick in die Zukunftstechnologie der Quantencomputer.«
Dr. Andreas Röpnack, Senior Consultant bei USU Software AG
Welche Erfahrungen aus dem Bereich QC und KI bringt ihr mit?
»Im Bereich KI verfügt die USU Software AG über langjährige Erfahrung und exzellente Expertise von der bedarfsgerechten Analyse eines Anwendungsfalls, bis zu deren konkreter Umsetzung. Dies bezieht sich sowohl auf Industrie-, als auch auf Forschungsprojekte. Speziell im Bereich AutoML verfügt die USU über praktische Erfahrungen. Diese konnten aus der Anwendung von AutoML-Frameworks in zwei Forschungsprojekten gesammelt werden. In diesen Projekten (FabOS und SmartMMI) spielte die Anwendung von AutoML-Verfahren eine zentrale Rolle. Diese Expertise und Erfahrung aus dem Bereich KI und AutoML bringen wir in das Projekt AutoQML mit ein.«
Was ist eure konkrete Rolle im Projekt?
»In AutoQML arbeiten wir in mehreren Arbeitspaketen (AP) sehr eng mit unseren Projektpartnern an einer gemeinsamen, erfolgreichen Entwicklung eines AutoML+Quantencomputing-Frameworks. Besonders involviert sind wir bezüglich des AP4 »Developer-Suite, Werkzeuge und Komponenten«. In diesem AP ist die USU im Lead. Es geht hier darum mit unseren Projektpartnern den Gedanken bezüglich AutoML um Quantencomputing zu erweitern und in ein bestehendes AutoML-Framework einzubinden. Ziel ist es, diese Arbeiten in einem AutoQML-Framework zusammenzuführen. Darüber hinaus sind wir in dem Use Case mit KEB dabei, den in AP4 entwickelten AutoQML-Ansatz direkt anzuwenden und zu verifizieren.«
Welche Mehrwerte versprecht ihr euch von den Projektinhalten?
»Wir als USU versprechen uns aus dem Projekt wichtige Erkenntnis über die Praxistauglichkeit und Einsetzbarkeit von AutoML und Quantencomputing für zukünftige Use Cases und Anwendungsszenarien. Die USU ist davon überzeugt, dass AutoML-Frameworks zukünftig eine wichtige Rolle zukommen wird. Voraussetzung hierfür ist jedoch die Möglichkeit, AutoML-Methoden performant anwenden zu können und genau hier setzt das Projekt AutoQML an und ermöglicht es diesbezüglich neue Erkenntnisse zu gewinnen.«