IgnisQNC

Motivation 

Quantencomputer gelten als Schlüsseltechnologie für die Auswertung komplexer Daten. Heutige Geräte sind jedoch noch fehleranfällig, verfügen über wenige verlässliche Qubits und müssen meist mit klassischen Rechnern kombiniert werden. IgnisQNC setzt an dieser Übergangsphase an. Das Projekt untersucht, wie die unvermeidbare Quantenunschärfe nicht als Störung, sondern gezielt für lernfähige, robuste und erklärbare Modelle des Maschinellen Lernens genutzt werden kann.

Ziele und Vorgehen

Ziel von IgnisQNC ist ein neuer Ansatz für vertrauenswürdiges quantenbasiertes Lernen: Quantum Neural Computing. Dafür entwickelt der Verbund theoretische Grundlagen, Modelle, Softwarebausteine und Benchmarkverfahren. Untersucht wird, wie Quantenzustände und Messprozesse so strukturiert werden können, dass sie neuronale Informationsverarbeitung unterstützen. Die Ansätze werden zunächst simuliert, anschließend auf realen Quantenplattformen erprobt und mit klassischen sowie quantenbasierten Verfahren verglichen.

Innovation und Perspektiven 

Der innovative Kern liegt darin, Eigenschaften heutiger Quantenhardware produktiv zu nutzen, statt sie zu vermeiden. Quantenunschärfe, Nichtlokalität und Kontextabhängigkeit sollen Bausteine erklärbarer und belastbarer Lernverfahren werden. Demonstriert wird dies an Daten aus Biometrie, medizinischer Diagnostik und Finanzzeitreihen. Die Ergebnisse können Grundlagen für transparente Quantum‐AI‐Werkzeuge, vergleichbare Hardware‐Benchmarks, offene Software und spätere industrielle Anwendungen schaffen.