IEEE qCCL 2026

Die praktische Anwendung von Quantum Machine Learning (QML) steht in der aktuellen NISQ-Ära (Noisy Intermediate-Scale Quantum) vor grundlegenden Herausforderungen. Neben gezielten adversarialen Angriffen stellt vor allem das gerätespezifische Rauschen von Quantenhardware eine erhebliche Hürde dar.

Auf der diesjährigen IEEE Conference on Quantum Control, Computing and Learning (qCCL) in Aalborg, Dänemark, hatten Marc Maußner und ich die Gelegenheit, unsere neuesten Forschungsergebnisse zu dieser Thematik vorzustellen. In unserem Paper und der zugehörigen Poster-Präsentation mit dem Titel "A Threat-Model-Driven Robustness Benchmark for Quantum Machine Learning Under Device Noise and Deployment Shift" haben wir ein neues Benchmark-Framework zur Evaluierung der QML-Robustheit präsentiert.

Ein neues Framework für reale Anwendungsbedingungen

Klassische Evaluationen untersuchen meist White-Box-Angriffe wie FGSM (Fast Gradient Sign Method) oder PGD (Projected Gradient Descent) unter idealisierten Bedingungen. Unser Framework rückt darüber hinaus den sogenannten Deployment Shift systematisch in den Fokus – also das Szenario, bei dem ein QML-Modell auf einem spezifischen Backend trainiert, später jedoch auf einer anderen Hardware ausgeführt wird.

Aus unseren Untersuchungen ergeben sich drei wesentliche Erkenntnisse für die Praxis:

• Der Einfluss des Deployment Shift: Ändern sich bei der Ausführung des Modells die Kalibrierung oder die Topologie des Ziel-Backends, führt die Fehlanpassung der Rauschprofile zu einem massiven Einbruch der Modell-Robustheit.
• Die Gefahr von Hardware-Noise Overfitting: Ein längeres Training auf dem ursprünglichen Quell-Backend löst das Problem nicht. Im Gegenteil: Das Modell lernt die spezifischen Rauschmuster der Trainingshardware zu stark auswendig (Overfitting), was die Leistung auf neuer Hardware weiter verschlechtert.
• Encoding als Verteidigungslinie: Die Wahl der passenden Encoding-Strategie erweist sich als effektiver Hebel. Strukturierte oder trainierbare Ansätze verbessern die Robustheit gegenüber Rauschen signifikant, ohne dabei die Genauigkeit bei fehlerfreien Daten zu beeinträchtigen.

Impulse aus der Quanten-Community

Über unsere eigene Präsentation hinaus bot die Konferenz wertvolle Einblicke in die aktuelle Dynamik der Quantenforschung. Die vorgestellten Arbeiten reichten von Fortschritten in der Quantum Error Correction im Nanosekundenbereich über Quantum State Denoising bis hin zur Optimierung von Entanglement Routing in Quantennetzwerken.

Die gewonnenen Erkenntnisse fließen direkt in unsere laufenden Forschungs- und Entwicklungsprojekte ein, um Sicherheits- und ML-Architekturen auch für das Quantenzeitalter belastbar zu gestalten.