Quantum Artificial Intelligence for the Automotive Industry - Q(AI)²
Quantenalgorithmen können das Lösen bestimmter harter Rechenaufgaben qualitativ beschleunigen. Künstliche Intelligenz und ihre Anwendungen zählen zudem zu den bedeutenden Schlüsseltechnologien unserer Zeit. Das Projekt Q(AI)2 brachte beides anhand von Anwendungen innerhalb der Automobilindustrie zusammen, insbesondere für eine optimale, flexible Produktionsplanung im Kontext von Industrie 4.0, kollisionsfreie Manöverplanung von autonomen Fahrzeugen, kapazitive Tourenplanung sowie kooperative Dienstleistungen und Smart Mobility. Diese klare Basis aus konkreten, für die Produkte der Zukunft relevanten Aufgaben der Automobilindustrie als Start und Endpunkt der Forschung war ein wesentliches Alleinstellungsmerkmal dieses Projektes. Ziel des Projektes war die Erarbeitung einer breiten Basis an Algorithmen für KI-Anwendungen mit Optimierungen auf Quantenrechnern. Dazu wurde für die bereits bekannten Algorithmen ein vertieftes Verständnis des Beschleunigungspotenzials erarbeitet. Weiterhin wurde identifiziert, in welchen grundsätzlichen sowie industriell relevanten Anwendungen die Quanten-Kl wesentliche Beschleunigung liefert. Die Implementierung von Algorithmen wurde sowohl auf die zur Verfügung stehende Hardware als auch auf die industrielle Fragestellung optimiert. Damit ergab sich ein klarer und qualifizierter Ausblick für erste quantenbeschleunigte KI-Anwendungen im Automobilsektor.
Projektkoordination
Prof. Dr. Frank Wilhelm-Mauch
Forschungszentrum Jülich GmbH, Jülich
Projektpartner
Forschungszentrum Jülich
Mercedes-Benz AG
BMW AG
Robert Bosch GmbH
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH
Volkswagen AG
Förderung und Laufzeit
Das Projekt wurde durch die BMBF Massnahme 'Quanteninformation - Algorithmen, Software, Anwendungen' gefördert und hatte ein Volumen von 4,0 Mio. € (zu 69,2% durch das BMBF gefördert) und lief vom 01.04.2021 bis zum 31.03.2024.
Veröffentlichungen
-
An efficient quantum algorithm for ensemble classification using bagging →
Journal Link
2024/02/02
-
QAL-BP: An augmented Lagrangian quantum approach for bin packing →
arXiv Preprint
2024/01/15
-
Nav-Q: Quantum deep reinforcement learning for collision-free navigation of self-driving cars →
arXiv Preprint
2023/12/23
-
Q-Seg: Quantum annealing-based unsupervised image segmentation →
arXiv Preprint
2023/11/30
-
Emergence of noise-induced barren plateaus in arbitrary layered noise models →
arXiv Preprint
2023/11/29
-
Application-oriented benchmarking of quantum generative learning using QUARK →
arXiv Preprint
2023/08/08
-
QuACS: Variational quantum algorithm for coalition structure generation in induced subgraph games →
Conference Proceedings
2023/08/04
-
Enabling non-linear quantum operations through variational quantum splines →
Conference Proceedings
2023/06/26
-
GCS-Q: Quantum graph coalition structure generation →
Conference Proceedings
2023/06/26
-
Equivariant quantum circuits for learning on weighted graphs →
NPJ Quantum Information
2023/05/13
-
Parallel circuit implementation of variational quantum algorithms →
arXiv Preprint
2023/04/06
-
MAQA: A quantum framework for supervised learning →
Journal Link
2023/03/22
-
A variational algorithm for quantum single layer perceptron →
Conference Proceedings
2023/03/10
-
Robustness of quantum reinforcement learning under hardware errors →
EPJ Quantum Technology
2023/02/28
-
Problem-size independent angles for a Grover-driven quantum approximate optimization algorithm →
Journal Link
2023/01/09
-
Modeling routing problems in QUBO with application to ride-hailing →
arXiv Preprint
2022/12/09
-
A practical overview of image classification with variational tensor-network quantum circuits →
arXiv Preprint
2022/09/22
-
QUARK: A framework for quantum computing application benchmarking →
arXiv Preprint
2022/08/05
-
BILP-Q: Quantum coalition structure generation →
Conference Proceedings
2022/05/17
-
Solving correlation clustering with QAOA and a Rydberg qudit system: a full-stack approach →
Journal Link
2022/04/13