QUASIM

QC-Enhanced Service Ecosystem for Simulation in Manufacturing

Logo QUASIM
© Projekt QUASIM
QUASIM

Projektbeschreibung
Das Projekt QUASIM untersucht, wie für Anwendungen der Fertigungsindustrie mittels Quanten-Computern (QC) mittel- und langfristig Vorteile entwickelt werden können. Die Fertigungsindustrie gehört zu den zentralen deutschen Wirtschaftszweigen und erfordert gleichzeitig die Erfüllung höchster Qualitätsansprüche, um weltweit wettbewerbsfähig zu sein. Um Fehler in der Fertigung zu vermeiden und optimierte Parametrisierungen der Maschinen abzuleiten werden Simulationen eingesetzt. Diese basieren auf physikalisch-materialwissenschaftlichen Modellen und mathematischen Gleichungssystemen, welche erhebliche Anforderungen an das Ingenieurswissen in der Modellierung und die Ressourcen zur Simulationsberechnung stellen. Folglich sind vor allem KMU häufig mit dem Einsatz derartiger Ansätze überfordert. In diesem Kontext soll QUASIM unterschiedliche QC-Ansätze erproben, durch die Simulationen beschleunigt und in Quantum Services praxistauglich eingebettet werden. Damit sollen auch Fertigungsunternehmen von Quanten-Computern profitieren können, welche selbst nur über beschränkte Expertise zu Simulationen in der Fertigung verfügen.

Herausforderung und Innovation
In der Fertigung werden Simulationen eingesetzt, um fehlerhafte Fertigungskonfigurationen und -pläne zu eliminieren. Die Simulation komplexer Modellierungen über numerische Verfahren, wie u. a. Finite Elemente Methode (FEM), stößt bei komplexer Fertigung an Grenzen der Laufzeit und Speicherkapazitäten. Im Projekt QUASIM wird deshalb die Beschleunigung dieser Simulationen durch einen Ansatz, der numerische Verfahren mit QC kombiniert, untersucht. Angesichts der noch sehr kleinen Quantencomputer ist deren Einsatz insbesondere in zeitkritischen Anwendungen interessant, also Anwendungen, die auf klassischen Rechnern zwar lösbar sind, wofür aber inakzeptable Zeit benötigt wird. Parallel werden alternative Modellierungen durch Quantum Machine Learning (QML) untersucht. Dafür soll in QUASIM QML auf Daten aus realen Fertigungsumgebungen angewandt werden. Es soll dabei der Zusammenhang zwischen ML-Modelltypen und QC sowie deren Effekte auf die Fertigungsqualität untersucht werden. Damit legt QUASIM einen Meilenstein der Innovation für die Wettbewerbsfähigkeit der Fertigungsindustrie in Deutschland. Durch Vergleich mit bisherigen Ansätzen werden innovative Lösungswege auf Basis von QC konzipiert, umgesetzt, in niederschwellige Quantum Services integriert, die sich auch über GAIA-X-Umgebungen in verteilten Umgebungen zur Verfügung stellen lassen.

Lösungsansatz
QUASIM verfolgt einen dreiphasigen Lösungsweg inklusive der Entwicklung einer „Baseline“, mit der die beiden QC-basierten Lösungswege (Numerische Verfahren + QC und QML) verglichen werden. Für die Baseline werden dynamische Modelle über numerische Methoden modelliert und als Basis für die rechenbasierte Ableitung von Fertigungsparametrisierungen verwendet. Der zweite Weg beschleunigt die numerischen Modelle durch den Einsatz von QC Technologien. Hier werden einerseits naheliegende, d. h. mit verfügbarer Hardware umsetzbare, als auch langfristig vielversprechende Methoden ausgewählt. Dazu sollen fokussierte, möglichst auf vorkonfektionierten Lösungen basierende QC-Ansätze auf numerische Verfahren angepasst, sowohl simuliert als auch auf realer Hardware getestet und auf Umsetzbarkeit evaluiert werden. Der dritte Lösungsweg thematisiert die Ergänzung des numerischen Ansatzes durch ML-Modelle in Kombination mit QC-Technologien (QML), um zu untersuchen, ob komplexe Modellierungen durch einen datengetriebenen Ansatz ersetzt werden können. Um von QC-Anforderungen zu ML-Modellen zu gelangen, werden unterschiedliche hybride QML-Modelle analysiert. Zentrales Element ist hierbei die Ableitung einer Methode zur strukturierten Entwicklung von QML-Systemen.

Alle drei Lösungswege werden in QUASIM parallel gegeneinander getestet, um erfolgversprechende Ansätze quanti-tativ identifizieren zu können. Dadurch sollen technologische Sackgassen frühzeitig identifiziert und vermieden wer-den. Die Ergebnisse der numerischen und der ML-basierten QC-Modelle werden mit dem Baseline-Modell durch Simulationsläufe und Expertenanalysen verglichen.

Konsortium
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) (Konsortialführer), Forschungszentrum Jülich GmbH, Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. - Institut für Produktionstechnologie IPT, ModuleWorks GmbH, TRUMPF Werkzeugmaschinen GmbH + Co. KG

Laufzeit
Januar 2022 – Dezember 2024

Budget
Gesamtkosten: 5,2 Mio. €
Fördersumme: 3,9 Mio. €