Forschungsprojekt Qinros
Quantenalgorithmen für die Roboternavigation
Quantencomputer bergen Potenzial für zahlreiche Anwendungsfelder – auch für die Robotik. Im nun abgeschlossenen Projekt Qinros ist es Forschenden des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) und der Universität Bremen gelungen, bestärkende Lernverfahren mit Quantenalgorithmen erstmalig für die Roboternavigation im Kontext der Weltraumexploration einzusetzen.
Eine Herausforderung im Bereich der autonomen Robotik ist die große Datenmenge, die in kürzester Zeit verarbeitet werden muss, damit Roboter selbständig agieren und schnell auf unvorhergesehene Situationen reagieren können. Quantencomputer sind in der Lage, eine Vielzahl von Lösungswegen parallel zu berechnen, weshalb sie Informationen deutlich schneller verarbeiten, und sehr viel komplexere Aufgaben bewältigen könnten als klassische digitale Computer. Doch die Erforschung quantengestützter Berechnungsverfahren in der Robotik steht noch ganz am Anfang. Diese voranzutreiben, haben sich das DFKI Robotics Innovation Center und die Arbeitsgruppe Robotik der Universität Bremen auf die Fahne geschrieben und eine Forschungsagenda definiert, um quantengestützte Konzepte und Lösungen für Anwendungsfelder in der Künstlichen Intelligenz (KI) und Robotik zu erarbeiten. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
„Die Quantentechnologie, insbesondere das Quantenmaschinelle Lernen, hat das Potenzial bedeutende Entwicklungen im Bereich der effizienten Berechnung hoch komplexer Prozesse zu ermöglichen. Gerade in der Robotik haben wir das Problem, dass wir immer am Limit der Computer arbeiten – je mehr Rechenkraft uns zur Verfügung steht, desto besser. Allerdings gilt es hier noch sehr viel grundlegende Forschung zu betreiben und entsprechende Ausbildungsarbeit zu leisten. Dazu möchten wir mit aktuellen und zukünftigen Projekten beitragen“, so Prof. Dr. Frank Kirchner, Leiter des DFKI Robotics Innovation Center:
Im Mittelpunkt des Projekts Qinros (Quantencomputing und quantenmaschinelles Lernen für intelligente und robotische Systeme) stand die Frage, ob und in welchem Ausmaß sich Rechenprozesse für robotische Navigationsaufgaben bereits heute auf Quantencomputer auslagern lassen. Die Verteilung von Rechenprozessen ist deshalb von besonderer Relevanz, weil die Rechenkapazität aktueller Quantencomputer noch nicht für eine vollständig quantenbasierte Verarbeitung ausreicht. Zudem wollten die Bremer Forschenden herausfinden, inwiefern die quantengestützte Ausführung maschineller Lern- und Optimierungsverfahren Vorteile gegenüber klassischen Verfahren birgt. Dies untersuchten sie am Beispiel eines mobilen Turtlebot-Systems, das mithilfe von Reinforcement Learning eine unbekannte Umgebung eigenständig erkunden soll. Der Roboter erfasst sowohl Sensorwerte der Umgebung als auch Informationen zu seinem internen Status, die als Datenbasis für das bestärkende Lernen dienen, das erwünschtes Roboterverhalten wie das erfolgreiche Umfahren eines Hindernisses belohnt. So lernt das System, sich nach und nach in der ihm fremden Umgebung zurechtzufinden. Das Manufacturing Execution System (MES) HYDRA optimiert Produktionsprozesse für Fertigungsunternehmen, um Wettbewerbsvorteile zu erzielen. ‣ weiterlesen
MES-Integrator und 360-Grad-Partner für optimierte Fertigung
Ausgehend von diesem Szenario wurde zunächst theoretisch evaluiert, welche Anteile des Reinforcement Learning sich mithilfe von quantengestützten Verfahren berechnen lassen, und welche mit klassischen Verfahren vorverarbeitet werden müssen. Die Umsetzung erfolgte in der simulierten Umgebung mit steigender Komplexität. Dafür entwickelten die Forschenden Algorithmen für parametrisierbare Quantenschaltkreise, die u.a. die Berechnung neuer Trajektorienziele mit Qubits ermöglichen. Dabei zeigte sich, dass sich mithilfe der Quantenschaltkreise äquivalente Ergebnisse wie mit klassischen neuronalen Netzen erzielen lassen. Darüber hinaus deuten erste Ergebnisse aus dem Projekt darauf hin, dass sich Probleme deutlich kompakter darstellen lassen: So benötigten die Wissenschaftler zur Lösung ein und desselben Problems anstatt 2.000 Parameter im neuronalen Netz nur 200 Parameter im Quantenschaltkreis.