Als Deep Learning um 2022–2023 in den Mainstream vordrang, zog es ein ganz neues Vokabular in den Alltag hinein. Plötzlich sprachen alle über Tokens, Halluzinationen, Kontextfenster, Fine-Tuning und Prompt Engineering — Begriffe, die im gängigen Entwickler-Wortschatz ein Jahrzehnt zuvor kaum existierten. Eine neue Generation von "KI-Ingenieuren" entstand, GPU-Zeit wurde zu einem kostbaren Gut, und "Inferenzkosten" wurden zu einem Posten in Engineering-Budgets.
Das Quantencomputing befindet sich auf einer ähnlichen Bahn. Es steht früher in der Kurve, aber der Wendepunkt kommt — und mit ihm eine neue Reihe von Begriffen, die aus Forschungsarbeiten in Stellenbeschreibungen, Start-up-Pitches und Stack-Overflow-Fragen wandern werden. Einige davon existieren bereits in der Quanten-Community. Die meisten sind außerhalb davon unbekannt. Sie alle lohnt es sich, jetzt zu lernen, bevor es alle anderen tun.
Hier sind 16 Begriffe aus der Welt des Quantencomputings, die auf dem besten Weg sind, sich durchzusetzen.
1. QPU (Quantum Processing Unit)
Die KI-Parallele: GPU
"Hast du GPU-Zugang?" wurde zu einer Standardfrage in ML-Teams. "Hast du QPU-Zugang?" wird zum quantentechnischen Äquivalent.
Eine QPU ist der Hardware-Chip, der Quantenschaltkreise ausführt. IBM nennt seine Systeme Quantencomputer, NVIDIA hat CUDA-Q für GPU-beschleunigte Simulation, und IonQs Ionenfallen-Systeme sind die QPUs mit der höchsten Fidelity, die heute verfügbar sind. So wie "GPU-Zeit" zu einer Ressource wurde, um die Ingenieure kämpfen, wird QPU-Zeit — tatsächliche Ausführungszyklen auf Quantenhardware — zu einer erstklassigen, planbaren Ressource werden.
Der Begriff taucht bereits auf Cloud-Preisseiten auf (AWS Braket, Azure Quantum). Innerhalb von fünf Jahren wird er in Stellenbeschreibungen stehen.
2. Shot Budget
Die KI-Parallele: Token-Budget / Kontextfenster
Wenn du einen Quantenschaltkreis ausführst, erhältst du keine einzelne Antwort — du erhältst eine Wahrscheinlichkeitsverteilung, die durch vielfaches Ausführen des Schaltkreises abgetastet wird. Jede Ausführung wird als Shot bezeichnet. Ein 1.000-mal ausgeführter Schaltkreis kostet mehr QPU-Zeit als derselbe Schaltkreis, der 100-mal ausgeführt wird.
Das "Shot Budget" — wie viele Ausführungen du dir leisten kannst — wird zu einem echten Optimierungsproblem, wenn der QPU-Zugang skaliert. So wie Entwickler lernten, Prompts zu kürzen, um innerhalb der Token-Grenzen zu bleiben, werden Quantenentwickler lernen, Schaltkreise so zu entwerfen, dass sie mit einem minimalen Shot Budget maximales Signal herausholen.
"Wir haben die VQE in 200 statt 2.000 Shots zur Konvergenz gebracht — das hat unsere QPU-Kosten um 90 % gesenkt."
Dies ist bereits ein reales Problem bei Variationsalgorithmen wie VQE und QAOA, bei denen Shot-Rauschen die Ergebnisqualität direkt beeinflusst.
3. Quantum Advantage
Die KI-Parallele: 10-facher Speedup, "besser als der Mensch"
"Quantum Advantage" ist der Moment, in dem ein Quantencomputer ein bestimmtes reales Problem schneller oder besser löst, als es jeder klassische Computer kann. Es ist das quantentechnische Äquivalent zur "übermenschlichen Leistung" in KI-Benchmarks.
IBM führte 2023 den verwandten Begriff quantum utility ein, um Schaltkreise zu beschreiben, die zu komplex sind, um klassisch simuliert zu werden, aber praktisch nützlich sind — ein bodenständigerer Vorläufer des vollständigen Quantum Advantage. Erwarte, dass beide Begriffe in Pressemitteilungen, Finanzierungsankündigungen und regulatorischen Diskussionen auftauchen, wenn die Hardware ausreift.
Die Unterscheidung ist wichtig: Quantum Advantage ist eine Eigenschaft einer Kombination aus Problem + Hardware, keine pauschale Aussage darüber, dass Quantencomputer "besser" seien. Dies zu verstehen wird informierte Quantengespräche vom Hype trennen.
4. Quantum Utility
Die KI-Parallele: "Produktions-KI" vs. Forschungsdemos
Eng verwandt mit Quantum Advantage bedeutet quantum utility speziell: ein Quantenschaltkreis, der Ergebnisse liefert, die für eine reale Anwendung nützlich sind, selbst wenn eine klassische Simulation genau dieses Schaltkreises im Prinzip noch möglich, aber unpraktikabel ist.
IBM verwendete den Begriff erstmals in einer Nature-Arbeit von 2023, in der gezeigt wurde, dass bestimmte Quantenschaltkreise, die auf ihrem Eagle-Prozessor liefen, Ergebnisse produzierten, die eine klassische Simulation nicht leicht verifizieren konnte. Es ist ein erreichbarerer, kurzfristigerer Meilenstein als der vollständige Quantum Advantage — und derjenige, von dem wir in den nächsten Jahren am ehesten hören werden.
5. Transpilation
Die KI-Parallele: Modellkompilierung / Quantisierung
Bevor ein Quantenschaltkreis auf echter Hardware läuft, muss er transpiliert werden — von abstrakten Operationen in den nativen Gate-Satz der Hardware umgewandelt, wobei Qubit-Operationen umgeleitet werden, um physische Konnektivitätsbeschränkungen zu berücksichtigen. Dies ist analog dazu, wie ein Deep-Learning-Modell für eine bestimmte Chip-Architektur kompiliert und optimiert werden muss.
from qiskit.compiler import transpile
# Circuit written in abstract gates
transpiled = transpile(circuit, backend=real_qpu, optimization_level=3)
Wenn Quantum in die Produktion geht, werden "Transpilations-Overhead" und "Transpilations-Tiefe" zu Standard-Engineering-Themen — genau wie Inferenzlatenz und Modellquantisierung es heute sind.
6. Coherence Time (T1 / T2)
Die KI-Parallele: Kontextfenster / Speicherlimit
Ein Qubit bleibt nicht für immer quantenmechanisch. Es zerfällt — es verliert seine Superposition durch Umgebungsrauschen in einem Prozess, der als Dekohärenz bezeichnet wird. Die T1-Zeit (Energierelaxation) und die T2-Zeit (Phasenkohärenz) messen, wie lange ein Qubit nutzbar bleibt.
Dies ist das quantentechnische Äquivalent eines Kontextfensters: Es definiert die maximale Schaltkreistiefe, die du ausführen kannst, bevor deine Qubits zu klassischem Rauschen werden. IBMs supraleitende Qubits haben T2-Zeiten von etwa 100–300 Mikrosekunden. IonQs Ionenfallen-Qubits haben T2-Zeiten von über einer Sekunde — weshalb ihre Schaltkreise viel tiefer sein können.
"Unser Schaltkreis ist zu tief für dieses Backend — wir erreichen T2, bevor das letzte Gate ausgeführt wird."
Entwickler werden lernen, Kohärenzzeit so einzuplanen, wie sie Speicher einplanen.
7. Decoherence Budget
Die KI-Parallele: Latenz-Budget / Compute-Budget
Eine natürliche Erweiterung von T1/T2: Das Decoherence Budget ist die gesamte "Kohärenzzeit", die einem Schaltkreis zur Fertigstellung zur Verfügung steht, bevor sich Fehler über die Nutzbarkeit hinaus anhäufen. Längere Schaltkreise verbrauchen mehr Decoherence Budget.
Da Quantenanwendungen komplexer werden, werden Architekten Systeme entwerfen, die innerhalb der Decoherence Budgets bleiben — und dabei Schaltkreistiefe gegen Ergebnis-Fidelity abwägen, ähnlich wie Backend-Ingenieure heute Antwortlatenz gegen Rechenkosten abwägen.
8. Circuit Fidelity
Die KI-Parallele: Modellgenauigkeit / F1-Score
Fidelity misst, wie nah der tatsächliche Quantenzustand, den ein Schaltkreis erzeugt, am idealen theoretischen Zustand liegt. Ein Schaltkreis mit 99 % Fidelity ist ausgezeichnet. Einer mit 90 % kann für Präzisionsanwendungen unbrauchbar sein.
Fidelity verschlechtert sich mit jedem angewendeten Gate (jedes Gate hat eine Fehlerrate) und mit der Schaltkreistiefe (längere Schaltkreise dekohärieren mehr). Sie wird zur primären Qualitätsmetrik für QPU-Ergebnisse werden — dem quantentechnischen Äquivalent der Modellgenauigkeit auf einem Benchmark.
9. Physical vs. Logical Qubit
Die KI-Parallele: Rohparameter vs. effektive Modellkapazität
Eine der wichtigsten Unterscheidungen, die sich durchsetzt: Ein physisches Qubit ist ein echtes Hardware-Qubit (verrauscht, fehleranfällig). Ein logisches Qubit ist ein fehlerkorrigiertes Qubit, das über viele physische Qubits hinweg kodiert ist — zuverlässig, aber teuer.
Die heute beste Hardware (IBM, IonQ) arbeitet mit physischen Qubits. Vollständig fehlertolerantes Quantencomputing erfordert logische Qubits. Aktuelle Schätzungen beziffern das Verhältnis auf 1.000–10.000 physische Qubits pro logischem Qubit für die Fehlerkorrektur mit Surface Code.
Wenn du hörst "IBM hat 1.000 Qubits", sind das physische Qubits. Ein fehlertoleranter Computer, der Shors Algorithmus gegen RSA-2048 ausführen kann, würde Millionen physischer Qubits benötigen.
Das Verständnis dieser Unterscheidung wird entscheidend sein, um Quantenhardware-Marketing von der technischen Realität zu trennen.
10. Quantum-Safe / Post-Quantum Cryptography
Die KI-Parallele: "KI-resistent" (weniger treffend) → tatsächlich näher an "DSGVO für Algorithmen"
Diese verlässt bereits die Forschungswelt. Post-Quantum Cryptography (PQC) bezeichnet klassische kryptografische Algorithmen, die so konzipiert sind, dass sie Angriffen von Quantencomputern widerstehen. Die Bedrohung: Shors Algorithmus kann die großen Primzahlen faktorisieren, die RSA zugrunde liegen, und damit den Großteil der heutigen Public-Key-Verschlüsselung brechen.
NIST finalisierte 2024 seine ersten Post-Quantum-Cryptography-Standards (CRYSTALS-Kyber, CRYSTALS-Dilithium). "Quantum-safe" wird innerhalb von fünf Jahren zu einem Zertifizierungs- und Compliance-Begriff — der in Sicherheitsaudits, Beschaffungsanforderungen und der Dokumentation von Cloud-Anbietern auftaucht.
Der Angriffsvektor, auf den sich die meisten Organisationen vorbereiten sollten: "harvest now, decrypt later" — Angreifer sammeln heute verschlüsselte Daten mit der Absicht, sie zu entschlüsseln, sobald Quantencomputer leistungsfähig genug sind.
11. Hybrid Algorithm / Quantum-Classical Hybrid
Die KI-Parallele: "KI-gestützte" Workflows, heterogenes CPU+GPU-Computing
Fast alle kurzfristigen Quantenanwendungen sind hybrid: Ein klassischer Optimierer ruft wiederholt einen Quantenschaltkreis auf und nutzt Quantenhardware für die Teile, mit denen klassische Computer Schwierigkeiten haben (Zustandspräparation, Interferenz), während klassische Computer die Optimierungsschleifen übernehmen.
VQE und QAOA sind die kanonischen Hybridalgorithmen. Wenn Quanten-Programmier-Frameworks ausreifen, wird "Hybrid-Workflow-Orchestrierung" — das Verwalten der Übergabe zwischen klassischer und Quanten-Berechnung — zu einem Standard-Softwareproblem. Erwarte Werkzeuge, Frameworks und Berufsbezeichnungen, die darum herum aufgebaut werden.
12. Variational Circuit (Parameterized Quantum Circuit)
Die KI-Parallele: Neuronales Netz (trainierbare Gewichte)
Ein variational circuit oder parameterized quantum circuit (PQC) ist ein Quantenschaltkreis mit einstellbaren Rotationswinkeln — im Wesentlichen eine Schicht eines quantenmechanischen neuronalen Netzes. Die Parameter werden von einem klassischen Optimierer angepasst, um eine Kostenfunktion zu minimieren.
VQE verwendet einen variational circuit als Energieschätzer. QAOA verwendet einen, um Optimierungsprobleme zu kodieren. Wenn sich das quantenmechanische Machine Learning entwickelt, wird "einen Quantenschaltkreis trainieren" zu einer ebenso natürlichen Formulierung wie "ein neuronales Netz trainieren".
13. Quantum Volume (QV)
Die KI-Parallele: FLOPS, Benchmark-Scores (MLPerf)
Quantum Volume ist ein von IBM eingeführter Benchmark aus einer einzigen Zahl, der die QPU-Leistung ganzheitlich erfasst — indem er Qubit-Anzahl, Gate-Fidelity, Konnektivität und maximal ausführbare Schaltkreistiefe gleichzeitig berücksichtigt.
Eine QPU mit QV 128 (= 2^7, ein Schaltkreis, der 7 Qubits entspricht) übertrifft eine mit QV 64, selbst wenn die Maschine mit niedrigerem QV mehr rohe Qubits hat. Es ist der "MLPerf-Score" der Quantenwelt — eine Zahl, mit der Anbieter werben und die Entwickler zum Vergleich von Hardware verwenden werden.
14. Quantum Job / Quantum Queue
Die KI-Parallele: Batch-Inferenz-Jobs, GPU-Warteschlange
Wenn du einen Schaltkreis an eine echte QPU übermittelst, sendest du einen quantum job, der in eine quantum queue eintritt — ein Planungssystem, das den Zugriff auf gemeinsam genutzte Hardware verwaltet. Jobs im kostenlosen Tarif von IBM Quantum warten oft Minuten oder Stunden in der Warteschlange hinter zahlenden Kunden.
"Job-Durchsatz", "Warteschlangentiefe" und "Job-Priorität" werden zu operativen Metriken für Quanten-Infrastrukturteams — dem Geiste nach identisch mit dem heutigen Verwalten von Job-Warteschlangen in GPU-Clustern.
15. Error Mitigation vs. Error Correction
Die KI-Parallele: Regularisierung (Mitigation) vs. Hardware-ECC (Correction)
Diese Unterscheidung ist wichtig und wird ständig falsch verwendet werden, sobald Quantum in den Mainstream gelangt.
Error Correction — das Kodieren logischer Qubits mit Redundanz, damit Fehler erkannt und behoben werden können. Erfordert einen physisch-zu-logisch-Overhead von etwa 1.000:1. Noch nicht in großem Maßstab verfügbar.
Error Mitigation — klassische Nachbearbeitungstechniken, die den Effekt von Rauschen statistisch reduzieren, ohne ihn physisch zu korrigieren. Zero-Noise Extrapolation, Probabilistic Error Cancellation, Measurement Error Mitigation. Jetzt verfügbar, auf NISQ-Hardware.
Wenn ein Anbieter behauptet, seine QPU "behandle Fehler", frage immer, welche der beiden er meint.
16. Quantum Developer / Quantum Engineer
Die KI-Parallele: ML Engineer, AI Engineer, Prompt Engineer
Vielleicht der folgenreichste neue Begriff: der quantum developer. So wie sich die Rolle des "AI Engineer" um 2023 herauskristallisierte — abgegrenzt sowohl vom traditionellen Software Engineering als auch von der ML-Forschung — entsteht die Rolle des "quantum developer" rund um ein spezifisches Kompetenzprofil:
- Schreiben von Schaltkreisen in Frameworks wie Qiskit, Cirq oder HLQuantum
- Verständnis von Hardware-Beschränkungen (Konnektivität, Rauschen, Kohärenz)
- Entwurf hybrider klassisch-quantenmechanischer Workflows
- Interpretation probabilistischer Ergebnisse und Fidelity-Metriken
Werkzeuge wie HLQuantum — die eine einheitliche API über alle Backends hinweg bereitstellen — beschleunigen dies, indem sie Entwicklern ermöglichen, portablen Quantencode zu schreiben, ohne tiefe Expertise in den Eigenheiten jedes einzelnen SDKs zu benötigen. Der "quantum developer" von 2028 wird wahrscheinlich eine Abstraktionsschicht so nutzen, wie der heutige Webentwickler ein Framework nutzt, anstatt rohe Schaltkreise für jedes Backend zu schreiben.
Das Muster
Wenn man diese 16 Begriffe überblickt, zeichnet sich ein Muster ab. Jeder große Plattformwechsel erzeugt:
- Eine neue Recheneinheit — GPU → QPU, Tokens → Shots
- Eine neue Ressourcenbeschränkung — VRAM, Kontextfenster → Kohärenzzeit, Shot Budget
- Eine neue Qualitätsmetrik — Genauigkeit, F1 → Fidelity, Quantum Volume
- Ein neuer Kompilierungsschritt — Modellquantisierung → Transpilation
- Eine neue Hybridarchitektur — CPU+GPU → klassisch+quantenmechanisch
- Eine neue Sicherheitsfläche — adversariales ML → Post-Quantum Cryptography
- Eine neue Berufsbezeichnung — ML Engineer → Quantum Engineer
Das Vokabular des Quantencomputings ist nicht nur Fachjargon — es bildet direkt reale Engineering-Beschränkungen, reale Kompromisse und reale Chancen ab. Es zu lernen, bevor die Mainstream-Welle eintrifft, ist dieselbe Wette, die frühe Cloud-Ingenieure eingingen, als sie anfingen, sich um "Latenz" und "Durchsatz" zu kümmern, bevor es die meisten Entwickler taten.
Der beste Zeitpunkt zum Anfangen war vor fünf Jahren. Der zweitbeste ist jetzt — solange der Zugang zur Hardware noch kostenlos und die Lernkurve am niedrigsten ist.
Fang hier an: Führe deinen ersten Quantenschaltkreis kostenlos aus →