BayQS: Bayerisches Kompetenzzentrum Quanten Security und Data Science

Logo des Bayerischen Kompetenzzentrum Quanten Security and Data Science
© BayQS

Das Bayerische Kompetenzzentrum Quanten Security und Data Science (BayQS) ist ein Zusammenschluss der drei Fraunhofer-Institute AISEC, IIS und IKS mit der TU München, dem Leibniz-Rechenzentrum (LRZ) und dem Klinikum der Ludwig-Maximilians-Universität München (LMU). Das Zentrum hat das Ziel, schon im jetzigen frühen Stadium des Quantencomputings drei wichtige Aspekte zu berücksichtigen:

  • Cybersicherheit (Security)
  • Zuverlässigkeit & Robustheit
  • Optimierung

Denn auch, wenn aktuell noch viel Forschung im Bereich Hardware für das Quantencomputing notwendig ist, ist jetzt der richtige Zeitpunkt die Weichen für sichere, verlässliche und effiziente Quantencomputing-Software zu stellen.

Robustes und zuverlässiges Quantencomputing #

Die große Hoffnung der Forschungsgemeinschaft ist, dass Quantencomputer Daten viel effizienter verarbeiten können als klassische Rechner. Dies eröffnet das Potential, aktuell unlösbare Problemstellungen in Zukunft durch Quantencomputing zu lösen. Allerdings sind diese Möglichkeiten erst dann von echtem Nutzen, wenn man sich auf die Ergebnisse des Quantencomputers verlassen kann. Die Robustheit des Quantencomputings ist daher neben der reinen Rechenleistung eine Grundvoraussetzung für dessen erfolgreichen Einsatz.

Seine Expertise im Bereich Safety, Robustheit und Zuverlässigkeit bringt das Fraunhofer-Institut für Kognitive Systeme IKS in zwei Projekte des Zentrums BayQS ein:

#Quantencomputing verifiziert neuronale Netze

Im Projekt »QC-basierte Zertifizierung von neuronalen Netzen« erforscht das Fraunhofer IKS zusammen mit der TUM Data Analytics und Machine Learning Group, wie die Absicherung autonomer vernetzter Systeme durch Quantentechnologien verbessert werden kann. Ziel ist es komplexe KI-Methoden, insbesondere neuronale Netze, mittels Quantencomputing zu verifizieren.

Neuronale Netze haben sich in den letzten Jahren in vielen Bereichen etabliert, beispielsweise in der Bilderkennung, der Sprachverarbeitung oder der Sensordatenverarbeitung. Eine Eigenheit von KI-Methoden ist allerdings, dass schon kleinste Veränderungen der Eingangsdaten, starke Veränderungen bei den Vorhersagen erzeugen können. Damit sind große und komplexe neuronale Netze aktuell nicht in sicherheitskritischen Bereichen anwendbar, da sie nicht robust gegenüber Störungen sind.

Um dies zu ändern, müssen KI-basierte Anwendungen verifiziert und die Einhaltung bestimmter Spezifikationen überprüft werden. Gerade die Verifikation von Realanwendungen gestaltet sich schwierig, weil die Zertifizierung sehr rechenintensiv ist. Hier können Quantencomputer helfen, da sie über eine weit höhere Rechenkapazität verfügen als klassische Rechner. Das Fraunhofer IKS erforscht deswegen im Rahmen des Zentrums BayQS, ob Quantencomputing eine effiziente Zertifizierung von neuronalen Netzen realisieren kann. Ziel ist nicht nur, lauffähige Prototypen und Algorithmen zu entwickeln, sondern auch die Methoden an konkreten Anwendungsdaten zu testen.

Die Ergebnisse aus diesem Projekt können dazu genutzt werden, um KI-Lösungen in Zukunft effizienter zu zertifizieren, beispielsweise für Anwendungen in den Bereichen autonomes Fahren, Medizin oder Produktion.

#Quantencomputing und Künstliche Intelligenz für sichere medizinische Diagnosen

Medizinische Bilddaten wie MRT- oder CT-Aufnahmen sind wichtig für Diagnose und Therapie schwerer Krankheiten. Künstliche Intelligenz (KI) und maschinelle Lernverfahren wie Bildanalysen basierend auf Deep Learning bekommen in der medizinischen Diagnostik deswegen immer mehr Bedeutung. Die dabei häufig eingesetzten Deep Neural Networks (DNNs) benötigen jedoch viele Bilddaten, um verlässliche Aussagen treffen zu können. Diese Trainingsdaten sind je nach Fragestellung nur in geringen Mengen verfügbar, teuer zu beschaffen und sehr komplex.

Darüber hinaus sind die Anforderungen an die Ergebnisse eines KI-basierten Systems in der Medizin hoch: Da eine falsche Diagnose schwerwiegende Folgen für die betroffene Person nach sich ziehen kann, muss die Entscheidungsfindung der Künstlichen Intelligenz transparent und nachvollziehbar sein. Zudem sollte die in der Diagnose enthaltene Unsicherheit quantifizierbar sein.

Zusammen mit dem Klinikum der Ludwig-Maximilians-Universität München hat sich das Fraunhofer IKS im Projekt » Hochzuverlässige QC-basierte Künstliche Intelligenz für medizinische Diagnoseaufgaben« das Ziel gesetzt, die medizinische Diagnose durch hybride Quantencomputing-gestützte Machine-Learning-Modelle zu verbessern.

Ein hybrider Ansatz, der Quantentechnologie und klassische Methoden verbindet, hat den Vorteil, dass dafür ein NISQ-Quantencomputer (Noisy-Intermediate-Scale Quantum) verwendet werden kann. Diese Geräte sind bereits heute für den industriellen Einsatz verfügbar.

Das Fraunhofer IKS arbeitet an zwei Ansätzen, um die medizinische Diagnostik mit Hilfe von Quantencomputing zu verbessern:

  • Besseres Training durch Quantum Convolutional Neural Networks (QNNs)
    Auf Basis von QNNs soll das Training mit wenig Daten verbessert werden. Bei diesen Netzwerken wird eine klassische konvolutionale Ebene durch einen Quantenschaltkreis ersetzt. Dass dieser Ansatz das Training auch mit geringeren Bilddaten verbessert und die Genauigkeit erhöht, wurde bereits auf dem MINST-Datensatz gezeigt. Das Fraunhofer IKS überträgt diesen Ansatz auf hochauflösende Bilddaten in praktischen medizinischen Anwendungen.
  • Verlässliche Unsicherheitsbestimmung durch Quantum Bayesian Neural Networks (BNNs)
    BNNs haben den Vorteil, dass sie durchgängig auf Wahrscheinlichkeitsverteilung setzen, nicht wie DNNs auf einer Punktschätzung. Werden die Aufgaben komplizierter, kommen BNNs schnell an ihre Grenzen, da sie sich nicht mehr trainieren lassen. Durch Quantencomputing-gestützte BNNs ist das Training auch bei komplizierten Aufgaben möglich, was eine verlässliche Unsicherheitsbestimmung bei der Diagnose gewährleistet.

Mit Hilfe dieser Quantencomputing-Ansätze könnte ein Durchbruch im Bereich KI-gestützter Diagnoseprozesse erzielt werden. Ein langfristiges Ziel ist es, unter anderem die Früh- und Verlaufsdiagnostik von Hirntumoren zu verbessern. Aber auch alle anderen Anwendungsfelder des Machine Learnings könnten vom effizienteren Training durch Quantencomputing profitieren, da es Zeit und Kosten spart. Besonders großen Nutzen kann die Verbindung von Quantencomputing und Künstlicher Intelligenz in allen sicherheitskritischen Bereichen bringen, in denen die verlässliche Einschätzung der eigenen Unsicherheit eine wichtige Rolle spielt, beispielsweise in der Mobilität, der Produktion oder der Medizin.