Fraunhofer-Institut für Angewandte Festkörperphysik IAFTheoretische Arbeiten mit neuen Perspektiven auf den Quantenvorteil
Quantenvorteil neu bewertet: Realistischere Maßstäbe für Quantenalgorithmen
Zwei aktuelle wissenschaftliche Veröffentlichungen aus dem Fraunhofer-Institut für Angewandte Festkörperphysik IAF beleuchten, wie der Begriff des Quantenvorteils künftig präziser und realistischer bewertet werden kann. Beide Arbeiten liefern theoretische Werkzeuge, um Aussagen über Quantenvorteil belastbarer zu machen. Dabei ergänzen sie sich inhaltlich: Eine widmet sich der Quantenchemie jenseits idealisierter Systemmodelle, die andere der Frage, wie sich algorithmische Vorteile über die Skalierung von Problemgrößen belastbar nachweisen lassen.
Als Quantenvorteil bezeichnet man den Punkt, an dem ein Quantencomputer eine klar definierte Aufgabe schneller oder effizienter löst als jeder klassische Rechner bzw. sie überhaupt erst lösbar macht. Für viele praktische Anwendungen ist dieser Nachweis bislang noch nicht erbracht. Die Forschung arbeitet daher intensiv mit theoretischen Modellen und Simulationen, um auszuloten, wo und unter welchen Bedingungen ein solcher Vorteil künftig realistisch erreichbar ist.
Die Quantensimulation gilt als ein vielversprechender Weg zu einem echten Quantenvorteil. Doch viele bestehende Ansätze in der Quantenchemie beruhen auf vereinfachenden Annahmen: Sie beschreiben Moleküle als perfekt von ihrer Umgebung abgeschirmte, geschlossene Systeme, modellieren ausschließlich unitäre Dynamik und konzentrieren sich auf die Berechnung von Grundzuständen im Rahmen der Born-Oppenheimer-Näherung. In der Natur trifft keine dieser Annahmen uneingeschränkt zu.
Genau hier setzt das neu erschienene Review »Beyond Unitary Quantum Simulation: Open-System Approaches for Quantum Chemistry Toward Quantum Advantage« als Gemeinschaftsarbeit von Experten aus der Industrie (HQS Quantum Simulations), Wissenschaft (ETH Zürich) und angewandter Forschung (Fraunhofer IAF) an. Es hinterfragt die verbreitete Praxis, Quantenchemie primär über idealisierte, geschlossene Systeme zu erschließen, und plädiert für einen grundlegenden Perspektivwechsel.
Mit offener Systemdynamik zu robusteren Quantenalgorithmen
In der Realität wechselwirken Moleküle und Materialien stets mit ihrer Umgebung: Sie geben Energie ab, relaxieren und erreichen stabile oder thermische Zustände häufig gerade durch diese offene Dynamik. Für die Quantenchemie, die Festkörperphysik und die Materialwissenschaften sind solche dissipativen Prozesse keine Randerscheinung, sondern oft physikalisch zentral. In der Praxis wurde diese Idee in weiten Teilen der Literatur jedoch nur in eingeschränkter Form umgesetzt, da Quantenalgorithmen typischerweise für die Hamilton-Dynamik geschlossener Systeme formuliert werden.
Dissipation als Ressource statt Störfaktor
Die Kernthese des Reviews lautet, dass Dissipation und offene Systemdynamik in der Quantenchemie nicht länger primär als Störquellen betrachtet werden sollten. Kontrolliert eingesetzt, können sie zu einer genuinen Ressource für Quantenalgorithmen werden – etwa um chemisch relevante Quantenzustände vorzubereiten, zu stabilisieren oder aus ihnen zu sampeln.
»Die spannende Frage ist nicht nur, ob Quantencomputer klassischen Computern überlegen sein können, sondern wann, warum und unter welchen Bedingungen«, sagt Dr. Florentin Reiter, Co-Autor und Leiter des Geschäftsfelds Quantensysteme am Fraunhofer IAF. »Für die Chemie bedeutet das: Wir sollten nicht nur idealisierte, abgeschlossene Systeme betrachten, sondern auch die offene Dynamik, die in der Natur allgegenwärtig ist.«
Das neue Review steht in einem größeren Forschungskontext und verbindet Arbeiten zu offenen Quantensystemen, dissipativer Zustandspräparation und Engineered Dissipation mit aktuellen Fragestellungen zu fehlertoleranten Quantenalgorithmen, Quantum Machine Learning und QAOA. Die übergeordnete Botschaft lautet, dass Quantencomputer sich nicht im idealisierten Modell bewähren müssen, sondern unter realistischen physikalischen und algorithmischen Bedingungen.
QAOA: Quantenvorteil durch Skalierung belegen
Eine zweite Veröffentlichung aus dem Fraunhofer IAF, verfasst von Vanessa Dehn, setzt an einem anderen Hebel an: der algorithmischen Skalierung. Die Arbeit mit dem Titel »Extrapolation method to optimize linear-ramp quantum approximate optimization algorithm parameters: Evaluation of runtime scaling« untersucht das Optimierungspotenzial des Quantum Approximate Optimization Algorithm (QAOA) für kombinatorische Probleme, wie sie im Finanzsektor, in der Logistik, der Netzwerkplanung, im Materialdesign und im maschinellen Lernen auftreten.
Zentrale Fragestellung ist dabei nicht, ob QAOA an kleinen Beispielen funktioniert, sondern wie sein Rechenaufwand mit wachsender Problemgröße skaliert. Denn nur wer zeigt, dass ein Quantenalgorithmus auch bei großen Instanzen effizienter ist als klassische Verfahren, liefert einen belastbaren Hinweis auf echten Quantenvorteil. Die Arbeit zeigt auf Basis von Simulationen, dass für Portfolio-Optimierungsprobleme mit untersuchter Problemgröße Skalierungsvorteile gegenüber klassischen Algorithmen möglich sein können. Eine extrapolationsbasierte Methodik erlaubt es, Algorithmusparameter von kleinen auf große Problemgrößen zu übertragen, was einen wichtigen Schritt in Richtung praktischer Anwendbarkeit darstellt.
»Kleine Demonstrationen allein reichen nicht aus«, sagt Vanessa Dehn, Autorin und Spezialistin für Quantenhardware-Simulation. »Die entscheidende Frage ist, was passiert, wenn ein Problem größer wird. Genau dort zeigt sich, ob ein Ansatz langfristig relevant werden kann.«
Beide Arbeiten verfolgen dasselbe übergeordnete Ziel: den Begriff des Quantenvorteils von pauschalen Versprechen zu einem nüchternen, präzise messbaren Konzept weiterzuentwickeln. Frühere Arbeiten zu Quantum Machine Learning ergänzen diesen Kontext: Sie haben mathematisch beweisbare Vorteile untersucht und datengetriebene Hinweise geliefert, wann Quantenmodelle praktisch relevante Strukturen besonders effektiv erfassen können. Gemeinsam zeichnen diese Veröffentlichungen ein differenziertes Bild davon, wie Quantencomputing aus dem Stadium theoretischer Versprechen in den Bereich handfester, überprüfbarer Anwendungsvorteile überführt werden kann.
Interview mit Dr. Florentin Reiter
Datenschutz und Datenverarbeitung
Wir setzen zum Einbinden von Videos den Anbieter YouTube ein. Wie die meisten Websites verwendet YouTube Cookies, um Informationen über die Besucher ihrer Internetseite zu sammeln. Wenn Sie das Video starten, könnte dies Datenverarbeitungsvorgänge auslösen. Darauf haben wir keinen Einfluss. Weitere Informationen über Datenschutz bei YouTube finden Sie in deren Datenschutzerklärung unter: https://policies.google.com/privacyDr. Florentin Reiter spricht im Interview unter anderem darüber, wann Quantencomputer wirklich einen Vorteil bieten und warum die Quantenchemie als vielversprechendster Anwendungsbereich gilt.
Publikationen
Marthaler, M., Zapusek, E., & Reiter, F. (2026). Beyond Unitary Quantum Simulation: Open-System Approaches to Quantum Chemistry toward Quantum Advantage. arXiv:quant-ph/2605.15277. https://doi.org/10.48550/arXiv.2605.15277.
Dehn, V., Zaefferer, M., Hellstern, G., Jayadevan, K., Reiter, F., & Wellens, T. (2026). Extrapolation method to optimize linear-ramp quantum approximate optimization algorithm parameters: Evaluation of runtime scaling. Physical Review A. DOI: 10.1103/l5r4-zcqv.
Muser, T., Zapusek, E., Belis, V., & Reiter, F. (2024). Provable advantages of kernel-based quantum learners and quantum preprocessing based on Grover's algorithm. Physical Review A, 110(3), 032434. DOI: 10.1103/PhysRevA.110.032434.
Die Verwendung des Fotos und Videos ist ausschließlich im Zusammenhang mit dieser Pressemitteilung und unter Angabe des Copyrights gestattet.
Letzte Änderung: