Expert:innen mit neuen Perspektiven zum Quantenvorteil
Theoretische Arbeiten korrigieren Bewertungen des Quantenvorteils und erlauben 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.
Für viele praktische Anwendungen ist der Nachweis, ab wann ein Quantencomputer eine klar definierte Aufgabe schneller oder effizienter löst als jeder klassische Rechner, 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 ein neu erschienener Review 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.
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.
Mehr zum Quantenvorteil
Festkörper-Quantencomputer hochskalieren
Supraleitende Qubits optisch ausgelesen
Komplexe Materialien schneller simulieren
Quantenphotonik klassisch berechnet
Mikro-Dartscheiben für das Quanteninternet
Algorithmen für neue Hardware
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 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.
Eine zweite Veröffentlichung aus dem Fraunhofer IAF, verfasst von Vanessa Dehn, setzt an einem anderen Hebel an: der algorithmischen Skalierung. Die Arbeit 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 die 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. [FhIAF / dre]
Weitere Informationen
- Originalveröffentlichung
M. Marthaler, E. Zapusek & F. Reiter, Beyond unitary quantum simulation: Open-system approaches for quantum chemistry toward quantum advantage, in: Advances In Atomic, Molecular, and Optical Physics 75, 83–101, Juni 2026; DOI: 10.1016/bs.aamop.2026.04.001
V. Dehn, M. Zaefferer, G. Hellstern, et al., Extrapolation method to optimize linear-ramp quantum approximate optimization algorithm parameters: Evaluation of runtime scaling, Phys. Rev. A 113, 032413, 9. März 2026; DOI: 10.1103/l5r4-zcqv
T. Muser, E. Zapusek, V. Belis, and F. Reiter, Provable advantages of kernel-based quantum learners and quantum preprocessing based on Grover's algorithm, Phys. Rev. A 110, 032434, 23. September 2024; DOI: 10.1103/PhysRevA.110.032434 - Geschäftsfeld Quantensysteme (Florentin Reiter), Fraunhofer-Institut für Angewandte Festkörperphysik IAF, Freiburg i. Br.
