AutoQML

Developer-Suite für automatisiertes maschinelles Lernen mit Quantencomputern

© Projekt AutoQML

Projektbeschreibung
Quantencomputer ermöglichen es, Machine Learning (ML) Ansätze zu beschleunigen und neue Lösungsansätze zu entwickeln. Die Implementierung solcher Quantenalgorithmen ist jedoch stark anwendungsfallspezifisch und bedarf daher einer charakteristischen Entwicklung durch interdisziplinäre Quantensoftwareingenieure. Im Projekt AutoQML sollen diese Prozesse vereinfacht werden. Ziel dabei ist es, Ansätze zur Automatisierung von Machine Learning durch Quantencomputing zu erweitern, unter anderem um Fragestellungen im Produktions- und Automotive Bereich einfacher und schneller lösen zu können.

Herausforderung und Innovation
Jede einzelne ML-Lösung muss heute noch individuell geplant und implementiert werden. Von der Datenakquisition, über die Wahl der passenden Algorithmen, bis hin zur Optimierung des Trainings, ist sowohl detailliertes Expertenwissen in der jeweiligen Anwendungsdomäne, als auch ein hoher Arbeitsaufwand von geschulten Datenwissenschaftlern notwendig, um letztendlich mehrwertbringende Ergebnisse mit hohem Verwertungspotential zu erzielen. Der Ansatz automated machine learning (AutoML) zielt darauf ab, den Einsatz von ML-Prozessen durch Automatisierung zu vereinfachen. Dadurch ist es konventionellen Entwicklern ohne tiefgehende ML-Expertise möglich, geeignete Probleme mit vorgefertigten und dynamischen ML-Methoden zu lösen. Diesem Mehrwert an Benutzerfreundlichkeit stehen jedoch sehr hohe Hardware-Anforderungen gegenüber, die entweder mit signifikanten Eigeninvestitionen oder mit ausgelagertem Cloud-Computing und entsprechendem Verlust der eigenen Datensouveränität einhergehen.

Eine ähnliche Entwicklung ist perspektivisch im Bereich Quantencomputing (QC) zu erwarten: Im Allgemeinen und explizit im Quantum Machine Learning (QML) verspricht Quantencomputing bestimmte Probleme um viele Größen-ordnungen schneller lösen zu können, als es mittels konventioneller Rechenleistung der Fall ist. Eine Kernherausforderung bleibt jedoch auch hier der Fachkräftemangel. Um eine breite, industrielle Anwendung von QML zu ermöglichen, ist ein hoher Grad an Benutzerfreundlichkeit und Automatisierung unabdingbar.

Das Projekt AutoQML hat zum Ziel sowohl die Herausforderungen von heutigen AutoML-Ansätzen zu lösen als auch das erfolgreiche Vorgehen von AutoML zu adaptieren, um zukünftigen Anwendern den Zugang zu QML-Methoden zu vereinfachen.

Im Detail soll dies ermöglichen:

1. Quantenkomponenten in heutige ML-Lösungsansätze automatisch zu integrieren, um die Performance-, Runtime- und Komplexitätsvorteile von Quantenalgorithmen im industriellen Kontext nutzbar zu machen,
2. Konventionellen Entwicklern einen einfachen Zugang zu sowohl klassischen als auch Quanten ML-Algorithmen, inkl. Hyperparameteroptimierung zu ermöglichen,
3. (Auto)ML-Experten Quantenlösungen zur Verfügung zu stellen, um hybride Gesamtlösungen zu konzipieren, die sich anwendungsfallspezifisch der besten Komponenten aus beiden Welten bedienen,
4. Quantenlösungen für den AutoML-Prozess einzusetzen, um die hohen Hardwareanforderungen von großen HPC-Systemen zu reduzieren und somit bestehende AutoML-Verfahren wirtschaftlicher und ökologischer zu machen.

Lösungsansatz
Im Projekt AutoQML werden Quantenlösungen für die optimale Auswahl an ML-Algorithmen und für die Hyperparameteroptimierung entwickelt, sowie state-of-the art QML-Algorithmen in den bestehenden ML-Pool des AutoML-Frameworks integriert. Die zentralen Ansätze sind:

1. Anwendungsfallspezifische QML-Algorithmen werden entwickelt, simuliert und auf realen Quanten-Backends unter den gegebenen Restriktionen demonstriert.
2. Die entwickelten QML-Algorithmen werden automatisiert und in das bestehende AutoML-Framework integriert.
3. Die im Projekt entwickelten Werkzeuge und Methoden werden als Open-Source-Lösung in die PlanQK-Plattform integriert und so (Quanten)-Entwicklern zugänglich gemacht.
4. Quantenoptimierungsalgorithmen zur effizienten und passenden (Q)ML-Algorithmik-Auswahl, inkl. der damit gestützten Hyperparameteroptimierung, werden entwickelt.

Konsortium
Fraunhofer IAO (Konsortialführer), Fraunhofer IPA, GFT Integrated Systems, USU, HQS Quantum Simulations, IAV, KEB, Trumpf, Zeppelin

Laufzeit:
Januar 2022 – Dezember 2024

Budget
Gesamtvolumen: 7,0 Mio. €
Fördermittel: 4,5 Mio. €