KI-Training: Quantencomputer sollen 100-mal sparsamer sein

Das Training großer KI-Modelle benötigt viel Rechenleistung, Energie und Speicher. Im Projekt QC-Train will Fraunhofer IIS deshalb besonders aufwendige Berechnungen auf Quantenprozessoren verlagern. Erste technische Prognosen stellen eine bis zu 100-fache Einsparung beim Ressourcenbedarf in Aussicht.

Quantenprozessor übernimmt aufwendige Rechenschritte

Große Sprachmodelle und andere KI-Systeme werden mit immer umfangreicheren Datensätzen trainiert. Mit der Größe der Modelle steigt auch der Bedarf an Rechenleistung, Speicher und Energie. Rechenzentren stoßen dadurch laut Fraunhofer zunehmend an technische und wirtschaftliche Grenzen.

Das im Juli gestartete Forschungsprojekt QC-Train soll untersuchen, ob Quantencomputer zumindest einen Teil der Arbeit übernehmen können. Statt den gesamten Trainingsprozess auf Quantenhardware auszuführen, setzen die Beteiligten auf ein hybrides Verfahren: Klassische Prozessoren und Beschleuniger bleiben dabei im Einsatz, besonders ressourcenintensive mathematische Operationen sollen aber auf Quantenprozessoren ausgelagert werden.

Fraunhofer spricht auf Grundlage erster technischer Prognosen von einem möglichen Rückgang des Ressourcenbedarfs bis zum Faktor 100. Ein Trainingsvorgang würde demnach im besten Fall nur noch ein Hundertstel der bisherigen Rechenressourcen benötigen. Ob sich diese Größenordnung unter realen Bedingungen erreichen lässt, ist allerdings noch offen.

Aktuelle Quantencomputer reichen für erste Versuche

Eine Herausforderung ist die bislang geringe Zahl zuverlässig nutzbarer Qubits. Die heutigen Quantencomputer können deshalb noch keine beliebig großen und komplexen Berechnungen übernehmen. Das Projektteam will jedoch gezielt nach einzelnen Rechenschritten suchen, bei denen auch die derzeit verfügbare Hardware bereits Vorteile bieten könnte.

Zunächst werden verschiedene Trainingsmethoden daraufhin untersucht, ob sie sich für Quantenprozessoren eignen. Die verwendeten Systeme sollen zugleich hinsichtlich Robustheit, Skalierbarkeit und Leistung bewertet werden. Daraus sollen Softwarewerkzeuge entstehen, die geeignete Anwendungsfälle erkennen und die Berechnungen zwischen klassischer und quantenbasierter Hardware aufteilen.

Anschließend sind praktische Vergleiche vorgesehen. Dafür sollen Modelle mit Trainingsdaten der beteiligten Anwendungspartner entwickelt und auf unterschiedlichen Systemen ausgeführt werden. Erst diese Benchmarks sollen zeigen, ob das Verfahren tatsächlich weniger Ressourcen benötigt oder schneller arbeitet als rein klassische Ansätze.

Dreijähriges Forschungsprojekt

An QC-Train beteiligt sind neben dem Fraunhofer-Institut für Integrierte Schaltungen die Unternehmen infoteam Software und OptWare. DATEV und Schaeffler Technologies begleiten das Projekt als Anwendungspartner. Gefördert wird die Forschung über das Bayerische Verbundforschungsprogramm Digitalisierung.

Das Projekt ist auf drei Jahre ausgelegt, ein fertiges Produkt oder bereits nachgewiesene Einsparungen gibt es daher noch nicht. Die angekündigte 100-fache Reduzierung ist zunächst ein Forschungsziel beziehungsweise eine Prognose, die im weiteren Verlauf durch Messungen bestätigt oder widerlegt werden muss.

Sollte der Ansatz funktionieren, könnten Quantenprozessoren klassische KI-Beschleuniger zunächst nicht ersetzen, aber bei besonders aufwendigen Teilberechnungen ergänzen. Damit würde sich für Quantencomputer ein Anwendungsgebiet ergeben, das über reine Forschungsdemonstrationen hinausgeht.