Anwendungsfälle des Quantencomputings

Quantenansatz

VQE (Variational Quantum Eigensolver) bildet molekulare Hamiltonians mithilfe von Jordan-Wigner- oder Bravyi-Kitaev-Abbildungen auf Qubits ab und minimiert anschließend variationell die Energie, um Grundzustände zu finden. Selbst bescheidene Quantenvorteile bei der Abschätzung der Korrelationsenergie könnten milliardenschwere Auswirkungen auf die pharmazeutische Forschung und Entwicklung haben.

Quantenansatz

Dieser Anwendungsfall ist einzigartig: Die Quantenbedrohung erzwingt klassisches Handeln. NIST finalisierte 2024 CRYSTALS-Kyber (ML-KEM) und CRYSTALS-Dilithium (ML-DSA). Entwickler müssen ihre kryptografische Infrastruktur prüfen und asymmetrische Algorithmen migrieren. Harvest-now-decrypt-later-Angriffe machen dies schon heute dringend.

Quantenansatz

QAOA kodiert das Optimierungsproblem als Hamiltonian und optimiert anschließend variationell die Schaltungsparameter, um hochwertige Lösungen zu erzeugen. Bei ausreichender Schaltungstiefe konvergiert QAOA zum exakten Optimum. Aktuelle NISQ-Hardware begrenzt die Tiefe; klassische Solver dominieren nach wie vor bei realen Problemgrößen.

Quantenansatz

Parametrisierte Quantenschaltungen dienen als trainierbare Modelle. Quantenkernel berechnen Skalarprodukte in exponentiell großen Hilbert-Räumen. QNNs nutzen Gradienten nach der Parameter-Shift-Regel in Kombination mit klassischer Backpropagation. Die zentrale offene Frage: Gibt es Quantendaten mit inhärenter Quantenstruktur, die klassisches ML nicht effizient lernen kann?

Quantenansatz

Klassische DFT (Dichtefunktionaltheorie) nähert die Elektronenkorrelation nur an und hat Schwierigkeiten mit stark korrelierten Materialien. Die Quanten-Phasenschätzung kann exakte Korrelationsenergien berechnen. Die Stickstofffixierung (der FeMo-Cofaktor in der Nitrogenase) ist ein Problem von etwa 50 Qubits und könnte der erste kommerziell relevante Quantenchemie-Vorteil sein.

Quantenansatz

Klassisches Monte Carlo skaliert für eine Präzision ε mit O(1/ε²). Die Quanten-Amplitudenschätzung erreicht O(1/ε) — eine quadratische Beschleunigung. Für die Derivatebewertung bedeutet dies, eine Simulation mit 10.000 Stichproben auf ~100 Quantenabfragen zu reduzieren. Goldman Sachs, JPMorgan und BBVA forschen aktiv daran.

Quantenansatz

Die Trotterisierung bildet die Hamiltonian-Entwicklung auf Quantengatter ab. Die digital-analoge Quantensimulation nutzt abstimmbare Kopplungen. Variationelle Ansätze (VQE, Entwicklung in imaginärer Zeit) simulieren Grund- und angeregte Zustände. Dies ist wohl die ausgereifteste mittelfristige Quantenanwendung mit der geringsten klassischen Konkurrenz.

Quantenansatz

QKD-Protokolle (BB84, E91) kodieren Schlüsselbits in Quantenzuständen (Photonenpolarisationen). Jeder Lauscher stört zwangsläufig den Kanal und verrät damit seine Anwesenheit. QKD bietet bedingungslose Sicherheit — nicht auf Basis rechnerischer Schwierigkeit. Kommerzielle Systeme existieren, erfordern jedoch dedizierte Glasfaserverbindungen oder Satellitenkanäle.

Quantenansatz

Abbildung der Proteinfaltung auf QUBO-Probleme (quadratische unbeschränkte binäre Optimierung) für QAOA. Quantenwalks für die Sequenzausrichtung. Langfristig die Quanten-Phasenschätzung für die vollständige quantenmechanische Modellierung von Protein-Ligand-Wechselwirkungen, die klassische Kraftfelder übertrifft.

Quantenansatz

QAOA und Quanten-Annealing zielen auf das Fahrzeugroutingproblem (VRP), eine Verallgemeinerung des TSP. Aktuelle NISQ-Ergebnisse schlagen zufälliges Raten, aber nicht klassische Heuristiken. Mit fehlerkorrigierten Quantencomputern und tieferen QAOA-Schaltungen könnte sich ein Quantenvorteil für reales Routing herausbilden.