1 Einleitung
Der russische Wirtschaftswissenschaftler Nikolai Kondratieff erklärte vor rund 100 Jahren die Wirtschaft in 40- bis 60-jährigen Konjunkturzyklen (Kondratieff 1926). Demzufolge bringen diese Zyklen Fortschritt und Wohlstand innerhalb von drei Phasen: Expansion, Stagnation und Rezession. Eigenschaften zur Identifizierung und Vorhersage eines Kondratieff-Zyklus sind unter anderem die technologische, wirtschaftliche, soziale und zeitliche Ebene. Joseph Schumpeter erweiterte diese Theorie und stellte eine Basistechnologie an den Anfang der Zyklen, welche Innovationsschübe auslöst, Strukturwandel ermöglicht und schlussendlich zu einem Wirtschaftsboom führt (Schumpeter 1939, 1942). Diese sogenannte Kreative Zerstörung erklärt den radikalen Transformationsprozess, der mit Innovationen einhergeht. Der erste Kondratieff-Zyklus begann 1780 mit der Dampfmaschine und der Industrialisierung, der aktuell fünfte Zyklus basiert auf der Transistortechnologie und läutete in den 1970er-Jahren das Informations- und Kommunikationszeitalter ein.
Das Law of Accelerating Returns nach Ray Kurzweil (2001) besagt, dass die Fortschrittsrate in einem Ökosystem, welches durch Evolution und Versuch und Irrtum lernt, exponentiell zunimmt. Je fortschrittlicher ein solches System wird, desto grösser ist sein Fortschritt. Viele Faktoren tragen zu exponentiellem Wachstum bei. Unsere Untersuchung konzentriert sich auf exponentielles Wachstum basierend auf einer Schlüsseltechnologie, welche die Basis für den nächsten Konjunkturzyklus darstellen könnte – dem Quantencomputer. Unsere Annahme wird unterstützt vom Physik-Nobelpreisträger 2022, Anton Zeilinger, demzufolge sich die Entwicklungsschritte praktischer Anwendungen in den nächsten Jahren exponentiell entwickeln und womöglich bald unsere Realität grundlegend verändern werden.
Anzeige
Dieser Artikel basiert auf einer Literaturanalyse, Gesprächen mit Expert*innen im Bereich Quantencomputing, universitären Lehrtätigkeiten und ersten strategischen Beratungsprojekten der Autoren. Nach einer Begriffserläuterung, die über die typische Nennung der Qubits hinausgeht, leiten wir systematisch die Einsatzmöglichkeiten von Quantencomputern her, welche durch konkrete Anwendungsbeispiele ergänzt werden. Dabei fokussieren wir uns auf Optimierung, Simulation, Maschinelles Lernen und Kryptographie. Der Artikel schließt mit einem Ausblick, wie die Rechenkapazitäten von Quantencomputern praktisch genutzt werden können und welche Voraussetzung dafür geschaffen werden müssen.
Die identifizierten Haupteinsatzgebiete sollen aufzeigen, wie aus einer betriebswirtschaftlichen Sicht, Unternehmen den Quantencomputer als Mittel für zukünftiges Wachstum einsetzen und damit Wettbewerbsvorteile erlangen können. Gleichzeitig weisen wir auf das radikale Potenzial hin: denn diese Schlüsseltechnologie könnte die Basistechnologie für den nächsten Kondratieff-Zyklus darstellen und Wirtschaft und Gesellschaft nachhaltig verändern.
2 Grundlagen
2.1 Exponentielle Technologien
Der technologische Wandel im Kontext der Kapazitätssteigerung von Mikrochips sowie deren Verdichtung und Kosteneffizienz verläuft seit 50 Jahren exponentiell. Das Gesetz von Gordon Moore besagt, dass sich die Anzahl der Transistoren auf einer bestimmten Fläche und die damit verbundene Rechenleistung alle zwei Jahre verdoppelt (Moore 1965). Diese empirische Regelmäßigkeit führt dazu, dass durch die aktuelle Transistorendichte von rund 300 Mio. Transistoren pro Quadratmillimeter Probleme bei der Kühlung entstehen. Auch machen sich negative quantenmechanische Effekte bemerkbar. Wenn also die Transitortechnologie nicht weiter skaliert werden kann, muss sie, gemäß der Schumpeterschen Theorie, von einer anderen Technologie abgelöst werden, welche den nächsten Konjunkturzyklus initiert und unterstützt.
Das Moore’sche Gesetz wird innerhalb der nächsten fünf Jahre an Gültigkeit verlieren, da die Grenzen des physikalisch Möglichen erreicht sind. Entsprechend forschen immer mehr Universitäten und Großunternehmen an neuen Ansätzen zur Ablösung der Transistortechnologie. Dies würde zu einer Renaissance von Innovation, Erfindung und Entdeckung führen. Die School of Disruption hat exponentielle Technologien wie Künstliche Intelligenz, Blockchain, Internet of Things (IoT), Robotics, Augmented Reality, 3D-Druck, autonome Fahrzeuge und Biotechnologie analysiert und geht davon aus, dass diese alle viel mehr Rechenkapazität benötigen, um sich weiterzuentwickeln (Van Alphen 2019). Errungenschaften mit exponentiellem Preiszerfall sind Drohnen (Einsparungen von 2007 bis 2017 um den Faktor 1000) oder die Biotechnologie, wo die Erstellung eines DNA-Profils im gleichen Zeitraum 100.000 billiger wurde. Die Korrelation von exponentiellen Technologien, Innovation und Preis sind in vielen anderen Bereichen evident.
Anzeige
Aus der Sicht von SpaceX, eines amerikanischen Raumfahrt- und Telekommunikationsunternehmens, kann das kommerzielle Potenzial von Quantenkommunikations-Netzen erhebliche Möglichkeiten eröffnen und den Weg zum Mars ebnen. Deshalb setzt SpaceX-Eigentümer Elon Musk seit 2021 auf Quantentechnologie und kombiniert diese mit künstlicher Intelligenz (Turlington et al. 2021). Auch die Versuche von Meta, ein virtuelles Paralleluniversum zu ergründen, stellen an die IT-Infrastruktur große Anforderungen. Der Chip-Produzent Intel hat errechnet, dass die Kombination von Augmented Reality, Maschinellem Lernen und Blockchain, Metaverse rund 1000-mal mehr Rechenleistung benötigt als herkömmliche hochauflösende 3‑D-Grafik-Anwendungen (Koduri 2021). Heute bekannte Rechenzentren können das nicht mehr bewerkstelligen. Meta hat im Sommer 2022 ein neu konzipiertes Rechenzentrum mit einem KI-Supercomputer in Betrieb genommen, der mit fünf Trillionen Rechenoperationen pro Sekunde (5 ExaFlops) leistungsfähiger sein wird als die größten 500 Supercomputer der ganzen Welt (Peckham 2022). Sollen Marsmissionen und Metaverse Realität werden, benötigen wir unvorstellbare Rechenkapazitäten, welche durch Quantencomputer in absehbarer Zeit bereitgestellt werden könnten.
Der Quantencomputer ist eine exponentielle Technologie, da er für exponentielle Entwicklungen sorgt. Nach der Definition von Christensen, Raynor und McDonald (2015) ist der Quantencomputer selber, wie künstliche Intelligenz, Blockchain oder Cloud Computing, keine disruptive Technologie aber eine Quelle der Disruption und verlangt nach strategischen Antworten. Mit dem Quantencomputer können neue Werteangebote in verteilten Computernetzwerken geschaffen werden, die mittelfristig bestehende Geschäftsmodelle verdrängen (disruptieren) können. Dies transformiert Organisationsstruktur, Prozesse, Kultur, Fähigkeiten und Führung und stellt die Unternehmung auf ein neues Geschäftsparadigma ein.
2.2 Quantencomputer: Eine Begriffserklärung
Das Deutsche Bundesministerium für Bildung und Forschung (BMBF 2020) erklärt die Grundlagen des Quantencomputers mit der Quantentechnologie, welche auf dem speziellen Verhalten von Atomen und subatomaren Partikeln basiert. Die quantenmechanischen Eigenschaften bieten fundamental neue Möglichkeiten, Informationen zu verarbeiten, die mit klassischen Computern nicht möglich sind (Feynman 1982). In einem Quantencomputer werden Informationen demzufolge quantenmechanisch behandelt. Der Ursprung ist die Quanteninformatik, wo sogenannte Qubits – das Pendant zum klassischen Bit in der binären Logik – die kleinstmögliche Speichereinheit bilden. Zeilinger (2014) erklärte mit Breaking the Wall of Illussion drei wesentliche Phänomene, welche durch Qubits entstehen: Überlagerung, Verschränkung und Interferenz. Das Qubit ist ein Maß für die Quanteninformation, welche nicht nur Zustände von 0 oder 1, sondern in einen bestimmten Zustand versetzt, das ganze Spektrum zwischen 0 und 1 abdecken kann. Dies wird als Überlagerung (Superposition) bezeichnet. Ein weiteres Phänomen der Qubits sind Verschränkungen (Entanglement), das heisst, dass in einem quantenphysischen System zwei oder mehrere Teilchen miteinander verbunden sind, obwohl sie räumlich voneinander getrennt sind. Die Verschränkung übersteigt unser Vorstellungsvermögen, weswegen der Physiker Albert Einstein sie spukhafte Fernwirkung nannte (Max-Plank-Institut 2021). Bei der Interferenz geht es um Quantenwellen. Wenn also zwei oder mehr Quantenwellen zusammenstossen, können die sich gegenseitig verstärken oder abschwächen. Durch die Möglichkeit der Superposition können nun alle möglichen Zustände miteinander interferieren, was bedeutet, dass alle potenziellen Resultate parallel evaluiert werden.
Diese wellenartigen Interaktionen bilden das Herzstück dessen, was Quantencomputer von klassischem Computing unterscheidet. Durch die drei erklärten Phänomene ergibt sich die Möglichkeit, ganz neue Algorithmen – sogenannte Quantenalgorithmen – zu entwickeln. Quantenalgorithmen sind weder analytisch, noch liefern sie eindeutige Ergebnisse: sie sind probabilistisch und geben Wahrscheinlichkeiten für bestimmte Ergebnisse an (Cleve et al. 1998). Quantenalgorithmen sind klassischen Computer-Algorithmen weit überlegen, weil die erwähnten Qubits mehrere Zustände einnehmen und dadurch parallel mehrere Berechnungen durchgeführt werden können.
3 Einsatzgebiete des Quantencomputers
3.1 Einordnung
Quantenalgorithmen eröffnen zusammen mit verfügbarer Hardware neue Einsatzgebiete und Möglichkeiten und viele bereits demonstrierte Vorteile. Aus der allgemeinen Funktionsweise lassen sich vier Haupteinsatzgebiete ableiten (Bobier et al. 2021):
1.
Optimierung
2.
Simulation
3.
Maschinelles Lernen
4.
Kryptographie
Diese Haupteinsatzgebiete werden nachfolgend im Detail erläutert. Dabei wird zunächst die allgemeine Funktionsweise beschrieben und warum im entsprechenden Einsatzgebiet ein Quantencomputer erheblich schneller Ergebnisse liefert. Anschließend betrachten wir den Zeithorizont, in dem damit gerechnet werden kann, dass Quantencomputer zum Einsatz kommen könnten. Abschließend erklären wir basierend auf unserer Recherche und Analyse einige konkrete Anwendungen.
3.2 Optimierung
3.2.1 Allgemeine Funktionsweise
Die Optimierung ist ein Bereich, in dem Quantencomputer Vorteile gegenüber klassischen Methoden bieten (Fraunhofer IAF 2022). Heute behilft man sich mit Heuristiken, also Annäherungen an eine optimale Lösung und nimmt dafür meist lange Berechnungszeiten in Kauf. Der Quantencomputer kann durch Amplitudenverstärkung und dynamische Programmierung viele Lösungsverfahren beschleunigen. Dabei wird nicht nach der richtigen Antwort gesucht, sondern man versucht die beste unter vielen geeigneten Lösungen zu finden. Ein Ansatz ist Quantum Annealing, eine Kombination aus algorithmischen Methoden, welche die Quantenfluktuation zur Lösung von Optimierungsproblemen anwendet (D-Wave Systems 2022). Quantum Annealing macht sich zu Nutze, dass physikalische Systeme die Minimialkonfiguration ihrer Energie anstreben, und wendet das Prinzip des Quantentunnelns an (Razavy 2003): Partikel können durch Potentialbarrieren (Berge) hindurchtunneln, ohne die Spitze überwinden zu müssen, und so die niedrigste Energiekonfiguration in kürzester Zeit erreichen. Jede Funktion, die als topologische Fläche in einem Konfigurationsraum dargestellt werden kann, kann somit prinzipiell optimiert werden und von Quantencomputing profitieren.
3.2.2 Zeithorizont
Optimierungen sind aktuell ein interessantes Forschungsgebiet, weil damit riesige Datensätze bearbeitet werden könnten. Quantum Annealing beispielsweise könnte in naher Zukunft bei Optimierungen helfen. Operationen sind reduziert auf spezifische Aufgaben und die Komplexität ist geringer als bei universellen Quantencomputern. Damit verbunden ist eine grössere Anzahl an Qubits als bei einem universellen Quantencomputer. Gemäß D‑Wave Systems, welche 2011 den ersten kommerziellen Quantumcomputer entwickelten, braucht es für anwendbare Optimierungen 1000 Qubits. Das neuste Modell, der D‑Wave Advantage Annealer kann das bereits leisten (D-Wave Systems 2022).
3.2.3 Anwendungen
Bezogen auf eine Branche stellen wir fest, dass der Quantencomputer in der Autoindustrie ein Vorteil bei der Optimierung von Verkehrsflüssen und zur Verhinderung von Staus brachte (vgl. Volkswagen 2018). In der Finanzbranche können Quantenalgorithmen verwendet werden, um die Verteilung von Investitionen auf mehrere Vermögenswerte mit unterschiedlichen, aber korrelierten Renditen zu optimieren. Die Schwierigkeit dabei ist, gleichzeitig das Risiko des Portfolios zu minimieren und eine Rendite zu erzielen. Wir fanden zwei große europäische Banken, die in Zusammenarbeit mit D‑Wave und Multiverse Computing, eine Quantum Annealing basierte Portfoliooptimierung einsetzen. Damit konnte in weniger als drei Minuten ein Sharpe-Ratio (entwickelt von William F. Sharpe) von 12,16 gefunden werden. Dabei bedeutet ein hohes Sharpe-Ratio eine hohe Rendite für das eingegangene Risiko und ein negatives Verhältnis bedeutet Verluste. Als Vergleich: der beste europäische Aktienfond erreichte stützend auf einer Analyse von TiAM Fundresearch von September 2006 bis heute ein durchschnittliches Sharpe-Ratio von 0,77 (Ferken 2021). Solche Berechnungen sind komplex und dauern mit einem klassischen Algorithmus für die Portfoliokonstruktion mehr als einen Tag und die Werte sind schlechter (Mugel et al. 2022).
3.3 Simulation
3.3.1 Allgemeine Funktionsweise
Quantensysteme, also Vorgänge in der Natur, können nicht effizient auf herkömmlichen Computern simuliert werden (Feynman 1982), das heißt, bisher war es nicht möglich, zielgerichtete, detailgetreue und effektive Simulationen von Systemen wie Molekülen und deren Interaktionen durchzuführen. Quantencomputer stellen einen Paradigmenwechsel dar, indem sie eine effiziente Simulation dieser Ebene überhaupt ermöglichen, was großes Potenzial in der Forschung eröffnet. Abgesehen von der Simulation von Quantensystemen, eröffnen Quantencomputer auch neue Möglichkeiten in der stochastischen Simulation, insbesondere der Monte-Carlo Methode (Eckhardt 1987). Diese basiert auf dem Prinzip der stochastischen Konvergenz, das besagt, dass die Verteilung von Resultaten direkt die Wahrscheinlichkeit dieses Resultates ergibt, sofern die Stichprobe (Sample) groß genug ist. Damit wird auch deutlich, dass diese Simulationen auf der Berechnung von sehr vielen Samples basieren, was ihre Konvergenz stark verlangsamt. Hier kann unter Einbindung eines Quantenalgorithmus die Konvergenz quadratisch beschleunigt werden (Herbert 2021), was einen auffälligen Vorteil darstellt, gerade für große Datensätze.
3.3.2 Zeithorizont
Simulationen im Finanzbereich sind bereits weit fortgeschritten und werden vorraussichtlich bis 2030 auf grössere Akzeptanz stossen. In den nächsten Jahren werden zudem chemische Systeme ein primäres Einsatzgebiet für Quantencomputer-Simulationen, da bereits wenige Qubits einen signifikanten Vorteil erbringen können. So können Wasserstoffmoleküle oder Ammoniak, einer der wichtigsten Ausgangsstoffe für die Chemie- und Pharmaindustrie, bereits mit weniger als 127 Qubits vollständig auf Quantenebene dargestellt und simuliert werden (Kottmann et al. 2021).
3.3.3 Anwendungen
In der Luftfahrt reichen die Einsatzmöglichkeiten vom Flugzeugdesign – aktuell dauert eine ausreichend genaue Luftstrom-Simulation an Tragflächen mehrere Jahre – bis zur Optimierung von Flugrouten, -Geschwindigkeit und -Treibstoffmengen, um die Nachhaltigkeit der Luftfahrt zu steigern (DLR 2022). Ein weiteres vielversprechendes Anwendungsfeld ist die Simulation von Molekülen (spezifisch Proteine und deren Bindungen an andere Moleküle) und ihrem chemischen Verhalten, was eine schnellere und präzisere Medikamentenentwicklung ermöglicht (Roche 2022). Wo die leistungsfähigsten Computer an ihre Grenzen stoßen, kann der Quantencomputer die Impfstoffentwicklung erheblich beschleunigen.
Die Möglichkeit, Abläufe in der Natur (Quantensysteme) zu simulieren, gestattet die gezielte Vorhersage von Materialeigenschaften und Verhalten auf chemischer Ebene und bietet somit enormes Potenzial für die Materialwissenschaften, beispielsweise für energieeffizientere Batterien für Elektroautos oder die Entwicklung von Materialien mit speziell entworfenen elektrischen und thermischen Eigenschaften (DLR 2022). Quantenalgorithmen werden auch in der Finanzbranche bei der Risikomodellierung getestet. Diese stark mathematisch orientierte Branche funktioniert nur mit genauen Simulationen und Prognosen. Hier werden Monte-Carlo-Methoden eingesetzt, um die Werte finanzieller Assets abzuschätzen, wobei Risiken permanent neu berechnet werden müssen, was bei Tausenden von Einflussfaktoren große Rechenkapazitäten verlangt. Immer komplexere Modelle mit vielen Simulationsparametern führen dazu, dass die Anzahl der zu analysierenden Szenarien exponentiell wächst. Die Berechnungszeit kann dann schnell einige Tage dauern, was den wirtschaftlichen Nutzen in Frage stellt. Mit Hilfe des Grover Algorithmus – ein Quantenalgorithmus, der die Amplitudenverstärkung nutzt – kann die Konvergenz dieser Berechnung massiv beschleunigt werden, indem die Anzahl der Schritte quadratisch reduziert wird (Rebentrost et al. 2018; Pan 2022).
Um Unsicherheiten und den Einfluss von Risiken auf ökonomische Zielgrößen zu prüfen, hat die Deutsche Börse in einem Pilotprojekt eine dazu notwendige Sensitivitätsanalyse mit 1000 Eingabeparametern, mit Quantenalgorithmen durchgeführt (Braun et al. 2021). Was mit herkömmlichen Computern zehn Jahre in Anspruch nehmen würde, konnte mit Quantenalgorithmen auf weniger als 30 Minuten reduziert werden. Goldman Sachs, QC Ware und IonQ experimentieren schon seit einigen Jahren gemeinsam an Quantum Monte-Carlo-Methoden und gehen davon aus, bereits in fünf Jahren einfache Monte-Carlo Simulationen mit einem Quantenalgorithmus tausend Mal schneller als mit herkömmlichen Computern durchführen zu können (TechHQ 2022, Giurgica-Tiron et al. 2022).
3.4 Maschinelles Lernen
3.4.1 Allgemeine Funktionsweise
Maschinelles Lernen gilt als Teilgebiet der Künstlichen Intelligenz (KI) und da diese Modelle immer komplexer werden und immer größere Datenmengen verarbeiten, sind kürzere Rechenzeiten in deren Trainings eminent wichtig. Eine breite Anwendung von Quantenalgorithmen ist innerhalb Quantum Machine Learning zu erwarten. Dabei werden maschinelle Lernalgorithmen zur Analyse klassischer Daten auf einem Quantencomputer ausgeführt, wobei durch die Überlagerung der Qubits unendlich viele Zustände angenommen und mehrere Lösungswege parallel berechnet werden können. Die Literatur in diesem Bereich ist sehr fortgeschritten, da ein exponentieller Leistungsgewinn im Training von Modellen gegenüber klassischen Methoden bereits theoretisch bewiesen ist (Liu et al. 2021).
3.4.2 Zeithorizont
Die Anwendung von Quantum Computing beim Maschinellen Lernen erfordert nicht nur erheblich mehr Qubits als heute verfügbar sind, sondern auch robustere Quantum-Hardware im Sinne der Zuverlässigkeit der berechneten Resultate. Quantum-enhanced Training von KI-Modellen wird erst industriell einsetzbar sein, wenn fehlertolerante Quantencomputer mit Tausenden von Qubits einsatzbereit sind. Gemäß der IBM Quantum Roadmap (2020) wird dies in einem Zeitraum von fünf bis zehn Jahren realistisch sein.
3.4.3 Anwendungen
Das Training von KI-Modellen kann mit Hilfe von Quantenalgorithmen exponentiell beschleunigt werden (Zlokapa et al. 2021), was breite Anwendungsmöglichkeiten eröffnet in allen Gebieten, in denen KI-Modelle eingesetzt werden. Im Bankgeschäft sehen wir Potenzial in der Betrugserkennung, der Preisbildung von Strukturierten Produkten, dem Hochfrequenzhandel und dem Risikomanagement. Für diese Bereiche müssen immense Datenmengen miteinander verknüpft und verarbeitet werden, denn je mehr Daten in die KI-Algorithmen fließen, desto exakter werden Analysen, Betrugserkennung und Risikosimulationen.
Das Fraunhofer Institut für Kognitive Systeme erforscht innerhalb mehrerer Bereiche den Einsatz in der Medizin (Lorenz 2021). Erste Ergebnisse bestätigen, dass mit Hilfe von Quanten-KI die Diagnostik bei der Erkennung von Hautkrebs verbessert werden kann. Auch die Analyse von Genomen für präventive medizinische Maßnahmen könnte durch schnell trainierbare KI-Modelle stark verbessert werden. In der Fertigung und im Maschinenbau werden solche Modelle eingesetzt, um vorherzusagen, wann eine Maschine gewartet werden muss, bevor sie tatsächlich ausfällt. Diese präventive Wartung könnte durch schneller trainierbare KI-Modelle ebenfalls verbessert werden und so die operative Effizienz erhöhen.
3.5 Kryptographie
3.5.1 Allgemeine Funktionsweise
Eine quantensichere Kommunikation benötigt einen Quantenkanal zwischen den involvierten Parteien, beispielsweise eine Glasfaserleitung, über die Photonen ausgetauscht werden können. In einer Quanteneigenschaft dieser Photonen, zum Beispiel der Polarisation, wird ein Schlüssel enkodiert, der über die Glasfaserleitung geteilt wird. Jede Abhörung dieses Schlüssels würde den Zustand des Schlüssels verändern, was wiederum direkt beim Empfänger detektierbar wäre. Anders formuliert: die in einem verschränkten Quantenzustand kodierten Daten können nicht gelesen werden, ohne den Quantenzustand eines Qubits zu verändern, was im sogenannten No-Cloning-Theorem festgehalten wird (Wootters und Zurek 1982). Dies macht die Verschlüsselung und Kommunikation mittels Quantencomputern zu einem vielversprechenden Anwendungsgebiet (Mauerer 2020). Die Kodierung eines Schlüssels in einer Quanteneigenschaft wird als Quantum Key Distribution bezeichnet (Bennett und Brassard 1984) und stellt eine revolutionäre Neuerung im Schutz bei der Datenübertragung dar.
3.5.2 Zeithorizont
Der Quantenschlüsselaustausch ist ein vergleichsweise konkretes Einsatzgebiet in der nahen Zukunft, da nicht viele Qubits benötigt werden, um einen Schlüssel zu generieren und die benötigte Glasfaserinfrastruktur schon weitgehend etabliert ist. Erste Anwendungen haben gezeigt, dass der Quantenschlüsselaustausch bereits heute genutzt werden kann (Krempl 2021). Quantum Key Distribution Networks wurden schon mehrfach implementiert und werden beispielsweise von der Verteidigungsbehörde der Vereintigten Staaten (DARPA) seit fast 20 Jahren genutzt (Elliott et al. 2005). In der Schweiz und in Japan wurden schon die Verschränkung von Photonen – die grundlegend nötige Eigenschaft für Quantum Key Distribution – über einen Satelliten demonstriert (Jin et al. 2017). Kommerzielle Anbieter verkaufen bereits Quantum Key Distribution Systeme für industrielle Anwendungen. Mit Geräten von Toshiba oder Cerberis kann so beispielsweise die Sicherung der Hochgeschwindigkeitsübertragung von sensiblen Genomdaten in großem Umfang zwischen zwei entfernten Standorten bewältigt werden (Toshiba 2023; Cerberis 2023). Solche Systeme nutzen auch bereits Finanzinstitute, um kritische Verbindung zwischen Börsenhandel und dem entfernten Back-Office in Echtzeit sicherzustellen.
3.5.3 Anwendungen
Einsatzgebiete von Quantenkommunikation- und Schlüsselaustausch umfassen alle Anwendungen, bei denen Daten sicher übertragen werden müssen. Dies ist relevant für regierungsnahe Betriebe, die Rüstungs‑, Finanz- oder Gesundheitsindustrie, aber auch für E‑Commerce. Jede Organisation, für die Datensicherheit höchste Priorität hat, wird sich mit Quantenkommunikation befassen müssen. Wir gehen davon aus, dass Quantencomputer die IT-Sicherheit global dauerhaft und tiefgreifend verändern werden, da sie Verschlüsselungsverfahren statt in Jahren in Minuten auflösen. In Zukunft braucht es demzufolge mehr Systeme, die mit Quantenphysik gegen Quantenangriffe vorgehen.
Eine weitaus weniger konstruktive Anwendung von Quantencomputern im Kontext von Kryptographie und Kommunikation ist der Einsatz von Quantenalgorithmen, um Verschlüsselungssysteme, die auf dem Public-Key-Ansatz basieren, zu entschlüsseln. Diese Verfahren verwenden die Primfaktorzerlegung, die klassisch zugegriffen ein ungelöstes Problem in der Mathematik darstellt und daher als Grundlage der asymmetrischen RSA-Verschlüsselung ausgewählt wurde. Konkret setzt hier ein Quantencomputer mit dem Shor-Algorithmus (Shor 1994) an, der es ermöglicht, in polynomieller Zeit, die Primfaktoren einer sehr großen Zahl zu finden. Die Polynomialzeit ist dabei die Grenze zwischen praktisch lösbar und praktisch unlösbaren Problemen, welche im Allgemeinen so schnell wächst, dass schon relativ kleine Probleme mit heutigen deterministischen Rechnern nicht in überschaubarer Zeit gelöst werden können (Agrawal, Kayal und Saxena 2004).
Die heute als sicher eingestuften gängige AES-256-Bit-Verschlüsselung, welche von WhatsApp und anderen Instant-Messengern benutzt wird, zu knacken, würde länger dauern als das Universum alt ist (Datenschutz.org 2022). Ein fehlerarmer Quantencomputer, unter der Nutzung nichtdeterministischer Operationen, würde diesen Entschlüsselungsprozess drastisch beschleunigen.
4 Mit einem hybriden Ansatz die Zukunft sichern
Trotz des großen Potentials werden Quantencomputer bestehende traditionelle Computersysteme in naher Zukunft nicht ersetzen, sondern diese an den Kapazitätsgrenzen erweitern (Martin-Jung 2022). Deterministische Hochleistungssysteme werden weiterhin notwendig sein, um die Daten auf- und vorzubereiten, in ein Qubit-Format zu bringen, und so den Quantencomputer optimal auszulasten. Zudem werden Hochleistungssysteme die letzte Meile der Berechnung übernehmen, Quantencomputer reduzieren lediglich die Menge an möglichen Ergebnissen auf ein Niveau, das Computer verarbeiten können.
Um den Quantencomputer zu betreiben und Ideen in Anweisungen zu übersetzen, braucht es neue Programmiersprachen, die sich an der Architektur und Funktionsweise der Hardware orientieren. Für Simulationen gibt es Open-Source Softwareentwicklungs-Plattformen wie beispielsweise Qiskit von IBM (Qiskit 2022). Um Quantenanwendungen zu schaffen, muss eine ganzheitliche Sicht eingenommen werden, welche Algorithmen, Hardware und Entwicklungsumgebungen zusammenbringt (Matthews 2021). Eine der ersten höheren Quantenprogrammiersprachen, welche diese Voraussetzungen erfüllt, ist Silq, die von der ETH in Zürich 2020 entwickelt wurde (ETH Silq 2022).
Ein weiterer Punkt, der für ein hybrides Model spricht, ist, dass in absehbarer Zeit noch keine fehlerfreien Quantencomputer auf den Markt kommen werden. Es können also mittelfristig nur Teile eines Algorithmus auf einem Quantencomputer berechnet werden – die Masse der Datenverarbeitung muss weiterhin mit traditionellen Computersystemen erfolgen. Der Zugang zu einem Quantencomputer ist kompliziert und es gibt für den Anschluss herkömmlicher Computer nur wenige Wege (LaRose 2019). Das Problem ist die konzeptuelle Funktionsweise von Algorithmen in optische und analoge Signale zu übersetzen und vice-versa die gemessenen analogen Größen wieder digital zu enkodieren. Es empfiehlt sich, Quantum Computing so weit wie möglich in einem as a Service-Modell zu nutzen, um gerade die technische Komplexität nicht noch weiter zu erhöhen: Das verwendete Service-Interface verschattet die technischen Details und stellt eine klar definierte Schnittstelle bereit.
5 Quantum as a Service
Zugriff auf die Rechenleistung mit Quantum as a Service (QaaS) ist bereits heute möglich und erste Firmen bieten dazu komplette Pakete an. So können Forscher, Entwickler oder Ingenieure mit dem Quantum Learning as a Service (QlaaS) von Atos eine Quantencomputerumgebung emulieren und damit experimentieren (Atos 2022). Pioniere wie IBM, Google, Xanadu, Forest, Amazon, Microsoft, D‑Wave oder Alibaba sehen hier ein neues ökonomisches Modell und stellen ihre Quantencomputer-Services direkt über eine Cloud bereit (Dargan 2022). Die den QaaS-Funktionalitäten zugrundeliegenden Quantencomputer unterschieden sich bezüglich Hersteller, Architektur (Allzweck versus Annealing), Anzahl Qubits und Stabilität der Berechnungen. Allen gemeinsam ist allerdings die Bereitstellung über die Cloud, was Cloud-Readiness und Cloud-Integration zur zentralen Voraussetzung für die Implementation von Quantencomputing für Unternehmen macht. Dies bedeutet insbesondere die Konnektivität von (Kern)Systemen, das Aufbrechen von Datensilos, und die Umsetzung einer klaren Integrationsarchitektur, also alles Aspekte, die gerade in der Versicherungsbranche unter „Get the Basics right“ zusammengefasst werden.
Die Auswahl eines Quantum Services ergibt sich aus dem geplanten Einsatz. Eine zentrale Messgröße in diesem Kontext ist das Quantum Volume, eine vom IBM Watson Research Center in New York entwickelte Metrik, welche die Anzahl der Qubits, sowie die Fehlerrate und Verbindungen zwischen den Qubits in Betracht zieht (Cross et al. 2019). Daneben gilt es die passende Klasse eines Quantencomputers zu wählen, das heißt einen Allzweck- oder speziellen Annealing Computer. Wichtig bei der Auswahl ist es, von den angestrebten Anwendungsfällen auszugehen, die sich nach den verschiedenen Einsatzgebieten von Quantencomputern (siehe Kap. 2) sowie den fachlichen Bereichen oder Wertschöpfungszielen einer Branche ordnen lassen. Bei Versicherungen bietet sich das bei der Zeichnung und Einschätzung von Risiken, dem sogenannten Underwriting, insbesondere bei der Ermittlung des technischen Preises für eine komplexe, multinationale Deckung an. Hierbei kommen sowohl Simulationen als auch Optimierungen zum Einsatz und es gilt, die heute und zukünftig verfügbaren Daten realistisch zu prüfen und den passenden Quantum Service zu wählen.
Ein weiterer Aspekt, den es zu beachten gilt, ist dass sich Unternehmen zwar keinen eigenen Quantencomputer anschaffen müssen, sich aber frühzeitig mit der Technologie auseinandersetzen, um die eigene Innovationskraft zu steigern. Mit QaaS und neuen Programmiersprachen können sich Unternehmen relativ einfach mit den Verhaltensweisen von Quantencomputern vertraut machen. Die Voraussetzung ist eine moderne und offene IT-Landschaft. Heute bringen allerdings alte Konzepte und Architekturen meist nicht die notwendige Flexibilität und Konnektivität, um die als Service bereitgestellten Möglichkeiten von Quantencomputern zu nutzen.
6 Diskussion und Ausblick
Die immer größere Dynamik, Komplexität und Volatilität unserer Welt und das voraussichtliche Ende des Moore’schen Gesetzes sind gute Gründe, warum Quantencomputing eine Schlüsseltechnologie des 21. Jahrhunderts werden könnte. Wir haben aufgezeigt, wie sich Quantencomputer in der Forschung weltweit etabliert haben. In den letzten Jahrzehnten wurden die Schwerpunkte auf Theorie und Hardware gelegt. Wissenschaftler sind erst vor kurzem von theoretischen Konzepten und Simulationen zur Entwicklung von Quantenalgorithmen und deren Implementierung auf Quantencomputer übergegangen. Die technischen Herausforderungen, vor allem im Bereich der Stabilität, haben bislang produktiv nutzbare Anwendungen eingeschränkt. Obwohl das Quantum AI-Labor von Google im Februar 2023 ein revolutionäres System veröffentlichte, wodurch die Fehlerquote deutlich gesenkt werden kann (Google Quantum AI 2023), rechnet IBM frühestens 2023 mit einem stabil funktionierenden Quantencomputer (Council 2021). Zukünftige Forschungsanstrengungen sind dementsprechend nach wie vor in der Hardware, aber auch tendenziell in der Programmierung, Software und Sicherheit zu sehen. Sobald die Hardware in der Lage ist, niedrigere Fehlerraten zu liefern, können unsere identifizierten Einsatzgebiete von Quantenalgorithmen bei Optimierungen, Simulationen, Maschniellem Lernen und der Kryptographie primär in der Auto‑, Transport‑, Pharma‑, Chemie‑, Finanz- und Versicherungsbranche den Wettbewerb neu definieren.
Wenn der Quantencomputer seine Einsatzreife erreicht, kann er als Basistechnologie für den 6. Kondratieff-Zyklus gehandelt werden und Schumpeters Theorie der Kreativen Zerstörung würde einmal mehr beweisen, wie diese neue Technologie Wissenschaft, Wirtschaft und Gesellschaft radikal verändern kann. Die Ablösung der Transistortechnologie und exponentielles Wachstum wären dann lediglich Nebeneffekte. Noch ist aber offen, ob und wann dieser Durchbruch gelingt. Eines hat unsere Untersuchung gezeigt, auch wenn mit dem Quantencomputer aktuell noch keine bestehenden Technologien und Geschäftsmodelle verdrängt werden, können viele Unternehmen in naher Zukunft von einem Einsatz profitieren.
Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden.
Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/4.0/deed.de.