Hat Quantencomputing einen ersten realen Anwendungsfall?

Quanten, KI & Photonik: Eine neue Computerrevolution

Computer- und Informationstechnologien durchlaufen gleichzeitig mehrere Umwälzungen: den Aufstieg der KI, das Entstehen des Quantencomputings und die Hinwendung zur Photonik, um die Grenzen klassischer siliziumbasierter Rechner zu überwinden.

Bislang entwickelten sich diese Bereiche weitgehend getrennt voneinander: KI-Training und -Berechnungen laufen auf klassischen Siliziumchips, das Quantencomputing verbessert seine Technik auf der Suche nach praktischen Anwendungen, und die Photonik erprobt weiterhin verschiedene Bauformen und Einsatzgebiete.

Möglicherweise entstehen neue Möglichkeiten gerade durch die Verbindung dieser Bereiche. Das Quantencomputing könnte nun einen praktischen Anwendungsfall gefunden haben, für den die bestehende Technik bereits ausreicht.

Forscher des Vienna Center for Quantum Science and Technology (VCQ) in Österreich, des Politecnico di Milano und des Consiglio Nazionale delle Ricerche (IFN-CNR) in Italien sowie des britischen Unternehmens Quantinuum stellten fest, dass heutige Quantencomputer beim KI-Training mithilfe eines photonischen Prozessors klassische Computer übertreffen können.

Sie veröffentlichten ihre Ergebnisse in Nature Photonics¹ unter dem Titel „Experimentelles, quantenverbessertes, kernelbasiertes maschinelles Lernen auf einem photonischen Prozessor“.

Warum KI‑Training und Quantencomputing an Grenzen stoßen

Steigende Kosten und Energiebedarfe beim KI‑Training

Die KI-Technologie hat in jüngster Zeit enorme Fortschritte erzielt. Dafür waren jedoch gewaltige Rechenleistungen nötig, die Chips und Strom im Wert von mehreren zehn Milliarden US-Dollar verschlangen.

Gewisse Effizienzfortschritte sind durchaus möglich, wie DeepSeek zeigt, dessen KI mit außergewöhnlich geringem Rechen- und Finanzaufwand trainiert wurde, und seine westlichen Wettbewerber bei den Kosten um eine Größenordnung unterbot. Softwareverbesserungen allein können den Rechen- und Energiebedarf des KI-Trainings jedoch nur begrenzt senken.

Skalierbarkeits‑ und Rauschprobleme beim Quantencomputing

Quantencomputing ist zwar vielversprechend, leidet bislang aber unter einem entscheidenden Nachteil. Der äußerst fragile Materiezustand, der für den Betrieb eines Quantencomputers aufrechterhalten werden muss, macht die Technik teuer und nur schwer skalierbar.

Dadurch sind die Ergebnisse zudem „verrauscht“ und weisen regelmäßig Fehler, Verzögerungen und Unzuverlässigkeiten auf.

Auch hier könnten Innovationen Abhilfe schaffen: entweder durch ein Netzwerk kleinerer Quantencomputer oder eine neue Hardwarearchitektur mit einem als Topoleiter bezeichneten Materiezustand, der Skalierbarkeit ermöglicht.

Bis zur Bestätigung solcher Lösungen bleibt die wirtschaftliche Relevanz des Quantencomputings fraglich, denn die Technologie sucht weiterhin nach einem sinnvollen praktischen Anwendungsfall.

Quantenverbesserte Kernel‑Methoden für KI

Wie Quanten‑Kernels die dimensionalen Fähigkeiten des maschinellen Lernens erweitern

Kernelmethoden sind im maschinellen Lernen weit verbreitet. Sie erweitern einen Datensatz mathematisch um zusätzliche Dimensionen, damit verborgene Muster besser erkannt werden können.

Quelle: MDPI

Dahinter steht eine komplexe Mathematik, die vor allem Fachleute verstehen, die bereits auf diesem Gebiet arbeiten. Das folgende Video veranschaulicht die Funktionsweise:

Solche komplexen Berechnungen könnten ideal zu den besonderen Fähigkeiten von Quantencomputern passen.

Photonische Prozessoren treffen auf Quanten‑Kernels für KI

Für das Experiment kam ein integrierter photonischer Prozessor zum Einsatz, der durch Femtosekunden-Laserschreiben auf einem Borosilikatglassubstrat hergestellt wurde. Er kodierte die Daten in einen Zustand, den ein Quantencomputer verarbeiten kann.

Quelle: Nature Photonics

Auf diese Weise wurden Kernel mit Quanteninterferenz für die Berechnung eingesetzt und mit klassischen Methoden verglichen.

Quelle: Nature Photonics

Experimentelle Ergebnisse: Quanten‑ vs. klassische Kernels

Die Wissenschaftler testeten vier Datensatzgrößen mit 40 bis 100 Datenpunkten und verglichen den Quantenkernel (blau) mit dem klassischen Kernel (orange).

Quelle: Nature Photonics

In beiden Experimenten schnitt der Quantenkernel besser ab als der klassische Kernel.

„Wir stellten fest, dass unser Algorithmus bei bestimmten Aufgaben weniger Fehler macht als sein klassisches Gegenstück.“

Philip Walther – Professor an der Universität Wien

Nächste Schritte hin zu realem Quanten‑KI‑Training

Vom Demo zur Produktion: Quanten‑KI‑Training

Das Experiment zeigte, dass bereits heute verfügbare Quantencomputer klassische Computer bei Aufgaben übertreffen können, die häufig für das Training neuronaler Netze eingesetzt werden.

Das ist bedeutsam, weil bislang angenommen wurde, dass für solche Anwendungen erst wesentlich zuverlässigere Quantencomputer nötig seien. Nachdem das Experiment diese Annahme widerlegt hat, besteht der nächste Schritt in einem begrenzten realen KI-Training mit der Technik.

Dafür könnten neue, von Quantenarchitekturen inspirierte Algorithmen entwickelt werden, die eine höhere Leistung erzielen.

„Das bedeutet, dass bestehende Quantencomputer gute Leistungen erbringen können, ohne dass die Technologie den aktuellen Stand der Technik übertreffen muss.“

Zhenghao Yin – Doktorand an der Universität Wien

Wie Quanten‑Photonik den Energieverbrauch von KI senkt

Photonische Plattformen können bei deutlich geringerem Energieverbrauch die gleiche oder eine höhere Rechenleistung erzielen. Da Energie zunehmend zum größeren Engpass der KI-Branche wird als Rechenkapazität oder Innovation, könnte der Einsatz quantenphotonischer Rechner besonders wichtig werden.

„Dies könnte künftig entscheidend sein, da Algorithmen des maschinellen Lernens wegen ihres zu hohen Energiebedarfs kaum noch praktikabel werden.“

Iris Agresti – Doktorandin an der Universität Wien

Ionenfallen oder supraleitende Quantentechnologie: Wie geht es weiter?

Dies könnte wichtige Folgen für die Ausrichtung der Quantencomputing-Branche haben.

Bislang teilt sich das Feld in die sehr zuverlässige Ionenfallen-Technologie mit geringer Qubit-Zahl pro Gerät und komplexere supraleitende Bauformen. Letztere sind bisher stark verrauscht, lassen sich langfristig aber eher auf eine große Zahl von Qubits skalieren.

Die Studie entstand in enger Zusammenarbeit mit Quantinuum; vier der zwölf beteiligten Wissenschaftler arbeiten für das Unternehmen. Als Spezialist für Ionenfallen-Technologie sucht Quantinuum folgerichtig nach Anwendungen, bei denen die geringe Qubit-Zahl seiner Computer bereits wirtschaftlich relevante Aufgaben bewältigen kann.

Sollte sich dies bestätigen, könnte Quantinuum zu einem wichtigen Anbieter von Rechenkapazität für die KI-Branche werden und zumindest einen Teil des Erfolgs von Nvidia (NVDA ) wiederholen.

Investieren in Quantencomputing

Honeywell / Quantinuum

Quantinuum entstand aus der Fusion von Honeywell Quantum Solutions und Cambridge Quantum.

Honeywell bleibt mit vermutlich 52 % der Anteile Mehrheitsaktionär, nachdem eine Finanzierungsrunde Quantinuum mit 5 Milliarden US-Dollar bewertete. Gründer Ilyas Khan soll etwa 20 % des Unternehmens besitzen. Weitere Anteilseigner sind JSR Corporation, Mitsui, Amgen (AMGN ), IBM und JP Morgan.

Ein möglicher künftiger Börsengang von Quantinuum, eventuell im Rahmen einer größeren Konzernumstrukturierung, könnte das Unternehmen mit bis zu 20 Milliarden US-Dollar bewerten und zwischen 2026 und 2027 stattfinden.

Quantencomputing bildet nicht den Kern von Honeywells Geschäft, das sich vor allem auf Luft- und Raumfahrt, Automatisierung sowie Spezialchemikalien und -materialien konzentriert.

Jeder dieser Bereiche könnte jedoch vom Quantencomputing profitieren, insbesondere die computergestützte Chemie und die Quantensicherheit. Dies könnte Honeywell einen Vorteil gegenüber seinen Wettbewerbern verschaffen.

Das wichtigste Modell des Unternehmens ist derzeit H2, ein Ionenfallen-Chip mit 56 Qubits und einer Zwei-Qubit-Gattertreue von 99,895 %.

Das Unternehmen konzentrierte sich stärker auf hochwertige Berechnungen mit sehr niedriger Fehlerrate als auf eine möglichst große Zahl von Qubits und entwickelte so ein sogenanntes fehlertolerantes Quantencomputing.

Quantinuum bezeichnet diesen Ansatz als „Bessere Qubits, bessere Ergebnisse“. Bei einer vergleichbaren Qubit-Zahl sollen die Ergebnisse dadurch 100- bis 1.000-mal zuverlässiger sein.

Quelle: Quantinuum

Dies könnte besonders bei der dringend benötigten quantenresistenten Kryptografie einen Unterschied machen. Der Rüstungskonzern Thales (HO.PA -0,96 %) arbeitet bereits mit Quantinuum zusammen, ebenso wie die internationale Bank HSBC und JP Morgan.

Quantinuum bietet außerdem seine proprietäre Plattform für Quantencomputerchemie InQuanto an, die sich für Anwendungen in Pharmazie, Materialwissenschaften, Chemie, Energie sowie Luft- und Raumfahrt eignet.

Wie viele andere Quantencomputing-Unternehmen bietet Quantinuum Helios als „Hardware-as-a-Service“ an. Nutzer können dadurch Quantencomputing einsetzen, ohne die komplexe Anlage selbst betreiben zu müssen.

Quantinuum unterzeichnete im November 2024 eine Partnerschaft mit dem deutschen Infineon, Europas größtem Halbleiterhersteller. Infineon bringt seine integrierte Photonik und Steuerelektronik ein, um die nächste Generation von Ionenfallen-Quantencomputern zu entwickeln.

Da integrierte Photonik praktischen Anwendungen näherkommt, wird die mögliche Bedeutung dieser Partnerschaft für Quantinuums Zukunft deutlich. Der nächste Schritt des Unternehmens dürfte die Einführung des weltweit ersten auf KI ausgerichteten photonenbasierten Quantenchips sein.

In den kommenden Monaten wird Quantinuum Ergebnisse aus laufenden Kooperationen teilen, die das bahnbrechende Potenzial quantengetriebener Fortschritte im Generativen KI‑Bereich demonstrieren.

Die neue Gen-QAI-Funktion soll den Einsatz metallorganischer Gerüste für die Medikamentenverabreichung verbessern und beschleunigen. Damit könnte sie effizientere und stärker personalisierte Behandlungen ermöglichen; weitere Einzelheiten sollen mit der Einführung von Helios bekannt gegeben werden.

Quantinuum kündigt Durchbruch im generativen Quanten‑KI mit massivem kommerziellem Potenzial an

Die Ankündigung ist Teil einer Reihe von Meldungen über Quantinuums schnelle Fortschritte bei der Verbindung von KI und Quantencomputing.

Weitere praktische Anwendungen könnten den künftigen Wert des Unternehmens und damit auch Honeywells Beteiligung sowie das mögliche Anlegerpotenzial deutlich steigern.

Neueste Honeywell / Quantinuum (HON) Aktiennachrichten und Entwicklungen

Studie referenziert

^{1. Yin, Z., Agresti, I., de Felice, G. et al. Experimentelles, quantenverbessertes, kernelbasiertes maschinelles Lernen auf einem photonischen Prozessor. Nature Photonics. (2025). https://doi.org/10.1038/s41566-025-01682-5}