Forscher der UCL haben Quantencomputing und künstliche Intelligenz zu einem Hybridsystem verschmolzen, das chaotische physikalische Prozesse präziser vorhersagt als alle bisherigen Modelle – mit weniger Speicherbedarf und höherer Langzeitstabilität. Ein Durchbruch mit weitreichenden Folgen für Klima, Medizin und Energie.
Quantencomputing verbessert KI-Vorhersagen bei chaotischen Systemen erheblich
Forschern der University College London (UCL) ist es gelungen, Quantencomputing mit künstlicher Intelligenz zu einem Hybridsystem zu verbinden, das komplexe physikalische Prozesse deutlich präziser vorhersagt als herkömmliche Modelle. Die in Science Advances veröffentlichte Studie zeigt, dass der Ansatz mit deutlich weniger Speicherbedarf auskommt und dabei stabiler über längere Zeiträume arbeitet.
Das Problem mit chaotischen Systemen
Komplexe dynamische Systeme – etwa turbulente Strömungen in Flüssigkeiten und Gasen – sind notorisch schwer zu modellieren. Klassische Simulationen liefern zwar genaue Ergebnisse, benötigen dafür aber mitunter Wochen Rechenzeit und sind damit für viele praktische Anwendungen zu langsam. KI-Modelle arbeiten schneller, verlieren jedoch über längere Zeiträume an Genauigkeit und neigen zu Instabilitäten.
Genau in dieser Lücke zwischen Geschwindigkeit und Präzision setzt der UCL-Ansatz an.
Qubits als Mustererkenner
Der entscheidende Unterschied liegt in der Art, wie Quantencomputer Informationen verarbeiten. Während klassische Rechner mit Bits arbeiten, die entweder den Wert 0 oder 1 annehmen, nutzen Quantencomputer sogenannte Qubits. Diese können gleichzeitig verschiedene Zustände repräsentieren und gegenseitig beeinflussen – eine Eigenschaft, die es erlaubt, mit vergleichsweise wenigen Qubits eine enorme Zahl möglicher Systemzustände abzubilden.
Im entwickelten Hybridsystem übernimmt der Quantencomputer die Aufgabe der Mustererkennung: Er identifiziert verborgene Strukturen in den Daten, die klassische Methoden übersehen. Diese Informationen fließen anschließend in das KI-Modell ein, das damit präzisere und zeitlich stabilere Vorhersagen generiert.
Das Ergebnis ist laut den Forschern ein System, das führende konventionelle Modelle in der Genauigkeit übertrifft – bei gleichzeitig geringerem Speicherbedarf.
Anwendungsfelder: Klima, Medizin, Energie
Professor Peter Coveney, leitender Autor der Studie, beschreibt das Potenzial des Ansatzes in drei zentralen Bereichen:
- Klimaforschung: Präzise Strömungsmodelle für verlässlichere Wetterprognosen
- Medizin: Simulation von Blutströmungen für bessere Diagnose- und Therapieplanung
- Energiewirtschaft: Optimierte Planung von Windparks durch verbesserte Turbulenzmodelle
Fluid-Dynamik-Simulationen sind darüber hinaus in der Luft- und Raumfahrt, der Fahrzeugentwicklung sowie in der Prozessindustrie von Bedeutung. Überall dort, wo aufwendige Strömungssimulationen heute Engpässe erzeugen, könnte ein quantum-informierter KI-Ansatz Rechenzeit und Ressourcen erheblich einsparen.
Einordnung für deutsche Unternehmen
Der Ansatz befindet sich noch im Forschungsstadium, und leistungsfähige Quantencomputer sind für die meisten Unternehmen derzeit nicht direkt zugänglich. Dennoch ist die Richtung strategisch relevant: Insbesondere Unternehmen aus dem Energie-, Automobil- und Pharmabereich, die heute auf rechenintensive Simulationen angewiesen sind, sollten die Entwicklung aktiv beobachten.
Mit dem fortschreitenden Ausbau von Quantencomputing-Kapazitäten – unter anderem durch IBM, Google und europäische Initiativen wie das Munich Quantum Valley – könnten solche Hybridmodelle mittelfristig in industrielle Workflows integrierbar werden.
Wer frühzeitig Expertise im Bereich Quantum-AI aufbaut, verschafft sich einen Positionsvorteil für den Zeitpunkt, an dem die Technologie Produktionsreife erreicht.
Quelle: ScienceDaily AI