Forschungsprojekte, Forschungs- / Wissenstransfer

Im Mittelpunkt der Kooperation stand die Frage, wie neuartige Methoden des Quantencomputings die Anomalieerkennung in der Produktion unterstützen können – eine zentrale Aufgabe bei der Identifikation von Fehlern in komplexen Produktionssystemen. Durch die Analyse von Sensordaten industrieller Anlagen sollen Unregelmäßigkeiten frühzeitig erkannt werden, um Ausfallzeiten zu reduzieren, die Qualitätskontrolle zu verbessern und die Gesamteffizienz zu steigern. Die Studie konzentrierte sich dabei auf praxisnahe Szenarien wie die Erkennung pneumatischer Leckagen sowie die Identifikation von Fehlern in rotierenden Maschinen. Die Ergebnisse zeigen, wie quantenunterstützte Modelle bestehende datengetriebene Industrielösungen sinnvoll ergänzen können.

Darüber hinaus führte das Team eine systematische Evaluierung von Quanten-Neuralen Netzen (QNNs) durch – einer Klasse von Machine-Learning-Modellen, die speziell für Quantenhardware der nahen Zukunft entwickelt werden. Die Ergebnisse zeigen, dass QNN bereits heute wettbewerbsfähige Leistungen erzielen können: So wurde beim Erkennen pneumatischer Leckagen eine Genauigkeit von 87,77 Prozent erreicht. Auch bei NASA-Datensätzen zu Lagerfehlern erzielten die Modelle starke ROC-AUC-Werte. Zusätzlich analysierte die Studie zentrale Designentscheidungen wie Strategien zur Datenkodierung und identifizierte insbesondere binäre und exponentielle Kodierungen als effektive Kompromisse zwischen Modellausdruckskraft und Trainierbarkeit. Die vollständigen technischen Details sind in der englischen arXiv Publikation verfügbar.

»QNNs bergen großes Potenzial, Quantenprinzipien in das Machine Learning zu integrieren. Allerdings besteht eine entscheidende Lücke im Verständnis der praktischen Grenzen von QNNs hinsichtlich Trainierbarkeit und Approximationsfähigkeit. Unsere Arbeit liefert eine Orientierung für die Auswahl von Ansatzfunktionen, die ein ausgewogenes Verhältnis an Ausdrucksstärke und Trainierbarkeit über synthetische und reale Datensätze hinweg ermöglichen – bei gleichzeitig geringer Anzahl an Qubits, um potenzielle Rauschprobleme zu adressieren« so Vardaan Sahgal von WISER.

Quanten-Machine Learning in die industrielle Praxis bringen
Datengetriebene Methoden – darunter quanteninspirierte und quanten-native Ansätze – eröffnen neue Möglichkeiten für die vorausschauende Wartung und Prozessoptimierung in Schwerpunkten wie Luft- und Raumfahrt, Automobilindustrie, Energie oder industrieller Automatisierung.

»Unsere Arbeit zeigt, dass sich Quanten-Machine Learning bereits heute auf reale industrielle Probleme anwenden lässt. Gleichzeitig unterstreicht sie das Potenzial dieser Technologien, die Qualität der Entscheidungsunterstützung in komplexen Produktionsumgebungen weiter zu verbessern – insbesondere mit Blick auf die fortschreitende Entwicklung der Quantenhardware,« sagt Dr. Pascal Halffmann vom Fraunhofer ITWM.

Die Partnerschaft spiegelt die Mission von WISER wider, angewandte Innovation durch das Solutions Launchpad zu beschleunigen und neue Technologien mit realen Herausforderungen zu verbinden. In Kombination mit der Expertise des Fraunhofer ITWM in der industriellen Mathematik entstand so ein strukturierter Ansatz, um frühe Quantentechnologien zu bewerten und für relevante industrielle Anwendungsfälle nutzbar zu machen.

---

Wissenschaftlicher Ansprechpartner:
Wissenschaftliche Ansprechpartner:

Dr. Pascal Halfmann
Forschungskoordinator »Quantencomputing« in der Abteilung »Finanzmathematik« im Bereich »Analytics und Computing«

Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Fraunhofer-Platz 1
67663 Kaiserslautern

Telefon +49 631 31600-4110

Phone +49 631 31600-4347

Fax +49 631 31600-5347

presse@itwm.fraunhofer.de

---

Weitere Informationen:
https://www.itwm.fraunhofer.de/wiser-pm