BayQS – Bayerisches Kompetenzzentrum Quanten Security and Data Science

Seit der Entwicklung des Algorithmus von Shor im Jahr 1994 ist die Zukunftssicherheit asymmetrischer kryptographischer Verfahren stark kompromittiert: Gerade fest verbaute Kryptokomponenten im industriellen Umfeld haben Lebenszyklen bis hin zu Jahrzehnten und sind somit anfällig gegenüber QC-basierter Kryptoanalyse. Hersteller und Nutzer dieser Komponenten haben bereits jetzt Bedarf an neuen, quantencomputerresistenten Verfahren oder Updatemechanismen für einen späteren Wechsel. Weiterhin gibt es großen Bedarf an Evaluationsdienstleistungen bezüglich der Postquanten Resilienz der firmeneigenen Sicherheitsinfrastruktur, Beratung bei der Erstellung passender Konzepte und deren Umsetzung.

Darüber hinaus sollen im Rahmen von BayQS aber auch symmetrische Verfahren mittels QC-gestützter Kryptoanalyse untersucht werden, um zu einer Sicherheitsbeurteilung von deren Zukunftssicherheit zu gelangen.

Quantum Machine Learning ist ein junges, interdisziplinäres Forschungsgebiet mit dem Ziel, klassische Ansätze des Machine Learning und Deep Learning durch den Einsatz von Quantencomputern und -Algorithmen zu beschleunigen, zu verbessern und datensparsamer zu machen. Das Spektrum reicht hierbei von lernbaren Quantenschaltkreisen (Variational Circuits) über hybride Ansätze mit speziellen Quantum Layern innerhalb von neuronalen Netzen bishin zu reinen Quantenalgorithmen.

In BayQS untersuchen wir neben Praktikabilität und Leistungsfähigkeit dieser Ansätze auch Zuverlässigkeit und Sicherheit (beispielsweise Anfälligkeit gegenüber sogenannter Adversarial Examples) und wie man diese verbessern kann.

Darüber hinaus können Quantencomputer eingesetzt werden, um klassische Machine Learning Modelle zu zertifizieren.

Die Absicherung von Quantencomputing-Plattformen in Cloud-Umgebungen zum Schutz von Know-How, Intellectual Property und zur Gewährleistung der Datensouveränität der Nutzer, sowie die Gewährleistung der Rechts- und Betreibersicherheit für Cloud Service Provider ist ein wichtiges Ziel von BayQS. Anschaffung und Betrieb eines Quantencomputers erfordern mehrstellige Millionenbeträge, sodass die Mehrheit der Unternehmen, insbesondere KMUs, auf Cloud Quantum Computing Dienstleistungen angewiesen sein wird. Dies birgt das Risiko von Know-how- und Datenverlust durch unsichere QC-Plattformen.

Im Zuge der Einführung der Europäischen Datenschutz-Grundverordnung stehen Anbieter von Dienstleistungen unter einem erhöhten Druck, technische Sicherheits-Maßnahmen bei der Verarbeitung von Daten umzusetzen. Es gilt hierbei der Grundsatz der sogenannten »Shared Responsibility«, d.h. die Cloud-Betreiber sind in der Verantwortung, technische Möglichkeiten, z.B. einer verschlüsselten Ablage von Daten anzubieten, die Benutzer dieser Dienste sind aber ebenso in der Pflicht, diese Möglichkeiten zu nutzen und korrekt zu konfigurieren.

In BayQS werden diese technische Möglichkeiten sowohl für Betreiber als auch Nutzer identifiziert und entwickelt.

Der Einsatz moderner Sensorik, insbesondere zur 2D- und 3D-Bildgebung, ist sehr vielfältig. Das betrifft vor allem auch die industrielle Messtechnik in allen Bereichen der High-Tech Produktion, unabhängig davon, ob Serienfertigung oder Losgröße-eins-Produktion betrachtet wird.

Ein Aufgaben-angepasster Einsatz von komplexer Sensorik umfasst zwei Herausforderungen, welche teilweise enorme kombinatorische Optimierungsprobleme sowie eine riesige zu verarbeitende Datenmenge hervorbringen.

Sowohl für die Verarbeitung von Bildsignalen als auch für die Lösung kombinatorischer Optimierungsprobleme gibt es bekannte Ansätze für Quantencomputer. Dazu gehören beispielsweise die Quantenfouriertransformation und die Möglichkeiten des Quantumannealing.

Im Rahmen von BayQS forschen wir daran, diese Ansätze für den Einsatz im Kontext moderner Sensorik erstmalig nutzbar zu machen und weiter zu entwickeln. Unser Ziel ist dabei, eine Quantencomputer-getriebene Bild- und Signalverarbeitung zu ermöglichen. Dies tun wir konkret am Beispiel der Röntgencomputertomographie, einer 3D bildgebenden Technik, für deren erfolgreichen Einsatz man die oben genannten Herausforderungen immer wieder neu lösen muss.

Viele Fragestellungen und Herausforderungen aus dem Bereich der Logistik lassen sich als mathematische Probleme formulieren und anschließend mit algorithmischen Methoden lösen. Dazu zählen unter anderem Planungs- und Routenprobleme.

Seit der Entdeckung des Faktorisierungsalgorithmus von Shor im Jahre 1994 und kurz darauf des Suchalgorithmus von Grover ist eine ganze Reihe weiterer Quantenalgorithmen entwickelt worden, die verschiedenste dieser Probleme schneller lösen können, als dies mit bekannten, herkömmlichen Methoden möglich ist. Zwei wesentliche Grundbausteine, die den Ursprung dieser Beschleunigung ausmachen, sind die Quanten-Fouriertransformation sowie die Amplitudenverstärkung (engl. „Amplitude Amplification“). Ein grundsätzliches Problem, welches allen dieser Quantenalgorithmen gemein ist, stellt die Anforderung an die Hardware dar: Für praxisrelevante Problemgrößen ist diese so groß, dass sie von derzeitigen und geplanten Quantenrechnern nicht erfüllt werden kann.

Einen Versuch, dieses Problem zu umgehen, bilden die hybriden Variationsansätze (engl. „Variational Quantum Eigensolver“). Hierbei werden klassisch algorithmische Methoden zur Lösung von Optimierungsproblemen mit Quantenalgorithmen kombiniert, um bereits kleinste Quanten-Ressourcen bestmöglich auszuschöpfen. Der klassische Optimierungsalgorithmus nutzt dabei einen parametrierbaren Quantenalgorithmus, wie beispielsweise das „Quanten-Annealing“ oder den „Quantum Approximate Optimization Algorithm“, um Lösungsvorschläge zu generieren und versucht, deren Qualität durch geeignete Parameterwahl zu verbessern.

Im Rahmen von BayQS sollen mögliche Vorteile durch den Einsatz von Quantenrechner im Bereich Logistik herausgearbeitet werden – sowohl konzeptionell und perspektivisch als auch für bereits bestehende oder geplante Quantenrechner.

Die Entwicklung von Mobilfunk ist eine der einflussreichsten Technologien unserer Zeit. Seit mehr als zwei Jahrzehnten wird diese Entwicklung von Fraunhofer-Instituten mitgestaltet. Die Entwicklung erschließt immer höhere Frequenzbereiche und komplexere Systeme, was Herausforderungen mitbringt, welche nur mit grundsätzlich neuartiger Technologie gelöst werden können.

Für die Ortbestimmung in Mobilfunknetzen bietet 5G ein neues Framework mit Lokalisierungsmethoden der Laufzeit- und Winkelmessung von Funksignalen. Insbesondere in Szenarien mit Abschattungen und Mehrwegeausbreitung sind die Randbedingungen für Lokalisierung schwierg. Hierzu ist ein vielversprechendes Lösungsverfahren zur Gewinnung guter Messdaten die Funkkanalschätzung mit Hilfe von Mehrantennensystemen, sogenannten Multiple-Input-Multiple-Output (MIMO) Antennen. In höheren Frequenzbereichen und verteilten Systemen wird sowohl die Mess- als auch die Konfigurations- und Signalisierungsaufgabe sehr komplex. Die Verfahren sind wegen der Größe des Systems und vieler dynamischer Parameter sowohl sehr rechenintensiv als auch sehr zeitkritisch.

Die zugrundeliegenden nicht-konvexen Optimierungsprobleme lassen sich im Vergleich zu üblichen Algorithmen (wie z.B. Exhaustive Search), mit Verfahren der Künstlichen Intelligenz effizienter lösen. Da die Aufgaben wie etwa Beamkoordination und Ortsbestimmung in Funknetzwerken nur interaktiv in Realzeit Lösbar sind, sind hier Reinforcement Learning basierten Verfahren besonders geeignet. Bei diesen Verfahren interagiert der „Lerner“ mit seiner Umgebung, deren Zustand er entweder vollständig oder nur partiell durch eine entsprechende Beobachtung durch Ausführen einer Aktion gemäß einer zugrundeliegenden Strategie wahrnehmen kann.

Wir forschen daran, solche Reinforcement Learning Verfahren durch das Einbeziehen von Quantenrechnern effizienter umzusetzen. Auch wenn es bereits einige theoretische Vorschläge zur Umsetzung von Quantum Reinforcement Learning gibt, welche zum Teil auf Grover-artiger Amplitudenverstärkung basieren, sind die zu erwartenden Laufzeitbeschleunigungen moderat. Allgemein können Quantenvorteile bezüglich verschiedener Dimensionen der algorithmischen Komplexität verortet werden. Es werden hybride Reinforcement Learning Verfahren entwickelt und durch geeignete numerische Experimente bzw. durch Einbindung realer Quantenhardware auf Quantenvorteile untersucht.