Vier Entwicklungen aus der Quantum-Tech-Branche, die heute Ihre Aufmerksamkeit verdienen – eine team-kuratierte Zusammenfassung unserer Redaktion.
Rigetti und Purdue beschleunigen klassische Optimierung mit Quanten-Präkonditionierung
Rigetti Computing und die Purdue University haben ein Verfahren namens Quantum Preconditioning (Quanten-Präkonditionierung) vorgestellt, mit dem klassische Solver eingeschränkte Optimierungsprobleme (Constrained Optimization) bis zu 100-mal schneller lösen können. Dabei erzeugt ein flacher QAOA-Schaltkreis (Quantum Approximate Optimization Algorithm) eine Korrelationsmatrix, die die Zielfunktion für einen klassischen Mixed-Integer-Programming-Solver umformt; in Kombination mit dem Solver Gurobi erreichte das vorkonditionierte Verfahren bei dicht besetzten Graphenproblemen, die sonst Stunden benötigten, in weniger als einer Sekunde Lösungen innerhalb von 1 Prozent des besten bekannten Ergebnisses. Bemerkenswert: Der Großteil des Vorteils entstand bereits mit dem flachstmöglichen Schaltkreis – die Technik benötigt also nur bescheidene, kurzfristig verfügbare Quantenhardware statt tiefer, fehleranfälliger Schaltkreise, und auf kleinen Graphen optimierte Parameter ließen sich verlustfrei auf größere Graphen übertragen.
Quelle: arXiv-Preprint
PsiQuantum und Brookhaven Lab kooperieren bei fehlertoleranten Algorithmen für DOEs Quantum-Genesis-Initiative
PsiQuantum und das Brookhaven National Laboratory (BNL), ein Forschungslabor des US-Energieministeriums (DOE, U.S. Department of Energy), haben eine Zusammenarbeit angekündigt, die Brookhaven-Forschern Zugang zu PsiQuantums Softwareplattform Construct verschafft, um Algorithmen für die erste Generation fehlertoleranter Quantencomputer zu entwickeln. Die Partnerschaft unterstützt die Quantum-Genesis-Initiative des DOE, die bis 2028 einen wissenschaftlich nutzbaren, fehlertoleranten Quantencomputer aufbauen und einsetzen soll – als Teil der umfassenderen, auf KI ausgerichteten Genesis Mission des Ministeriums. Die Forscher wollen mit Construct Probleme aus Materialwissenschaft, Chemie, Hochenergiephysik und quantensicherer Kryptografie auf Logical-Qubit-Architekturen abbilden und den physischen Ressourcenbedarf – etwa T-Gate-Zahlen und Fehlerkorrektur-Budgets – für diese Algorithmen berechnen.
Quelle: Brookhaven National Laboratory
Pasqal und True Nexus kodieren Proteinstrukturen zur Gelbildung auf einem Neutralatom-Quantenprozessor
Pasqal und True Nexus haben einen Meilenstein in ihrer Partnerschaft erreicht: Sie haben Proteinstrukturen, die mit der Gelbildung – dem molekularen Prozess, der Flüssigkeiten in Gele verwandelt und Lebensmitteln ihre Struktur und Textur verleiht – zusammenhängen, auf Pasqals Neutralatom-Quantenprozessoren kodiert. Die Kooperation verbindet True Nexus‘ KI-gestützte Proteinintelligenz mit Pasqals Quantenhardware, um die stark korrelierten quantenchemischen Wechselwirkungen zu modellieren, an denen klassische bioinformatische Werkzeuge bislang scheitern – mit dem Ziel, Proteinfunktionalität und nicht nur die Sequenz computergestützt gestaltbar zu machen. Getragen wird das Projekt vom saudi-arabischen Ministerium für Kommunikation und Informationstechnologie (MCIT, Ministry of Communications and Information Technology) als Vorzeigeprojekt für die Quantenambitionen des Königreichs, mit Blick auf einen globalen Proteinmarkt, der bis 2030 auf rund 1 Billion US-Dollar anwachsen soll.
Quelle: GlobeNewswire (Pasqal Holding SAS)
IonQ, NVIDIA und qBraid senken Fehlerraten bei Chemie-Simulationen um 54 Prozent
IonQ hat gemeinsam mit NVIDIA und qBraid eine Technik demonstriert, die Fehlerraten bei Quantenchemie-Simulationen im Vergleich zu unkorrigierten Durchläufen um 54 Prozent senkt. Der Ansatz kombiniert Generalized Superfast Encoding mit Clifford Noise Reduction und nutzt Mid-Circuit Measurement (Messung während des laufenden Schaltkreises) auf IonQs Ionenfallen-Hardware, um Fehler noch während der laufenden Simulation zu erkennen und zu korrigieren, statt fehlerhafte Ergebnisse erst im Nachhinein zu verwerfen. Ausgeführt auf einem Barium-basierten System, das IonQs Tempo-Klasse ähnelt, und validiert mit NVIDIAs GPU-beschleunigter cuQuantum-Software, adressiert die Technik das sogenannte „Deep-Trotter-Dilemma“: Die langen Schaltkreise, die für präzise Molekülsimulationen nötig sind, sammeln normalerweise so viel Rauschen an, dass die Ergebnisse unzuverlässig werden – ein Engpass mit Relevanz für Medikamentenforschung und Materialwissenschaft.
Quelle: IonQ
Dieser Digest wurde von unserem KI-Redaktionsteam recherchiert und verfasst (Quark & Prism), unter Supervision von Mischa Hammann. Mehr dazu auf unserer Team-Seite. Keine Anlageberatung.