Quantencomputing ist kein universeller Ersatz für klassische IT. Hybride Verfahren verbinden spezialisierte Quantenberechnungen mit klassischer Datenverarbeitung und Optimierung. Für CIOs und IT-Verantwortliche rücken damit die Auswahl geeigneter Aufgaben, die Integration in bestehende Rechenumgebungen und belastbare Leistungsvergleiche in den Mittelpunkt. Forschungsplattformen bieten bereits Zugang für erste Experimente – ein nachgewiesener Vorteil in einem einzelnen Experiment ist jedoch noch kein Beleg für wirtschaftlichen Nutzen im Unternehmensalltag. [1][2][3]

Management Summary

Hybrid statt Austausch: Bei variationalen Verfahren bewertet der Quantenprozessor parametrisierte Schaltungen, während ein klassischer Optimierer die Parameter weiterentwickelt. Klassische IT bleibt Bestandteil des Verfahrens. [1]
Nutzen am konkreten Problem messen: Quantenoptimierung ist ein aktives Forschungsfeld. Die Eignung eines Anwendungsfalls und ein Vorteil gegenüber leistungsfähigen klassischen Methoden müssen getrennt bewertet werden. [2][3]
Die gesamte Verarbeitungskette zählt: Datenbewegung, Warteschlangen, Ressourcenverfügbarkeit und Abhängigkeiten zwischen Rechenschritten beeinflussen hybride Workflows. Ein schneller Quantenschritt allein beschreibt nicht die Gesamtlaufzeit. [4]
Einstieg über Forschungsinfrastrukturen: JUNIQ bietet Wissenschaft und Industrie Zugang zu unterschiedlichen Quantensystemen und Emulatoren in einer mit HPC verknüpften Umgebung. [5]
Roadmaps sind Ziele, keine Zusagen: IBM nennt 2029 als Ziel für Starling mit 200 logischen Qubits und 100 Millionen Operationen. Die Roadmap erklärt ausdrücklich, dass Ziele geändert oder zurückgezogen werden können. [6]

Illustration Absmeier foto ki designer

Klassische Server und ein stilisierter Quantencomputer als gemeinsames Rechensystem: Die gegenläufigen Datenbögen veranschaulichen den Austausch zwischen klassischer Verarbeitung und Quantenberechnung. KI-generierte konzeptionelle Illustration, keine Abbildung einer realen Anlage.

Quantencomputing: Ohne klassische Rechner geht es nicht

Quantencomputer werden klassische Rechner ersetzen? Eher nicht, denn sie benötigen Unterstützung durch herkömmliche Computersysteme und sind auch nicht für jede Rechenaufgabe die bessere Wahl. Deshalb werden beide Technologien in Zukunft in hybriden Architekturen zusammenarbeiten.

Wer sich Quantencomputer vorstellt, hat oft das Bild einer neuen Generation von Rechnern vor Augen, die klassische Systeme irgendwann vollständig ablösen werden. Das ist ein Trugschluss, denn Quantencomputer sind nicht einfach Systeme, die dasselbe wie klassische Rechner bewerkstelligen, nur schneller und besser. Sie sind hochspezialisierte Rechner für komplexe mathematische Probleme und völlig anders aufgebaut. Ihre Hardware ist auf die Ausführung spezieller Quantenberechnungen ausgelegt, nicht auf den Betrieb einer allgemeinen Computerumgebung. Ein herkömmliches Betriebssystem, auf dem sich Anwendungen starten und bedienen lassen, gehört ebenso wenig zu ihrer Ausstattung wie Tastatur und Bildschirm.

Deshalb werden auch künftig klassische Computersysteme benötigt, um die Aufgaben rund um die eigentliche Quantenberechnung zu übernehmen. Dazu gehören die Programmierung, die Bereitstellung und Verarbeitung von Daten sowie Funktionen wie Benutzeranmeldung und Identitätsmanagement. Sie übergeben Algorithmen und Daten an den Quantencomputer und steuern dessen Ausführung. Zudem helfen sie ihm bei der Fehlerkorrektur. Da die Quantenhardware sehr empfindlich auf Störungen reagiert, ist sie auf klassische Steuerungs- und Auswertungssysteme angewiesen, um Fehler zu erkennen und Korrekturmaßnahmen einzuleiten. Kurz: Klassische Systeme stellen die technische Umgebung bereit, die Quantencomputing überhaupt erst nutzbar macht.

Vorteile nur bei bestimmten Problemen

Grundsätzlich sind Quantencomputer auch nicht für jede Rechenaufgabe die bessere Wahl. Klassische Rechner eignen sich beispielsweise besser für einfache mathematische Operationen und die Verarbeitung von Daten nach festen Regeln. Bei solchen Aufgaben bietet Quantencomputing in der Regel keinen Vorteil. Anders sieht es bei bestimmten komplexen Problemen aus, bei denen sehr viele mögliche Kombinationen oder Zustände berücksichtigt werden müssen. Hier können Quantencomputer ihre besonderen Eigenschaften ausspielen.

Während klassische Rechner mit Bits arbeiten, die jeweils den Wert 0 oder 1 annehmen, nutzen Quantencomputer sogenannte Qubits. Diese können durch das quantenphysikalische Prinzip der Superposition beide Zustände gleichzeitig einnehmen. Quantenalgorithmen können diese Eigenschaft nutzen, um bestimmte komplexe Probleme auf eine andere Weise zu bearbeiten und dadurch deutlich schneller zu lösen. Dazu zählen beispielsweise Optimierungsprobleme:

Travelling-Salesman-Problem. Es soll eine Route über mehrere Orte gefunden werden, bei der die Gesamtstrecke möglichst kurz ist. Ein konkreter Anwendungsfall Im Unternehmensalltag ist etwa die Routen- und Einsatzplanung von Servicetechnikern im Außendienst.

Supply Chain Management. Waren und Bauteile sollen so transportiert und gelagert werden, dass die verfügbaren Ressourcen möglichst effizient genutzt werden. Unternehmen müssen dafür planen, welche Teile an welche Standorte geliefert werden sollten, um Transportwege und Lagerbestände optimal aufeinander abzustimmen.
Portfoliooptimierung. Finanzanlagen sollen so kombiniert werden, dass ein bestimmtes Anlageziel möglichst gut erreicht wird. Beispielsweise soll ein Portfolio so zusammengestellt werden, dass es eine möglichst hohe Rendite bei einem begrenzten Risiko erzielt.

Quantencomputer können bei bestimmten komplexen Optimierungsproblemen wie der Routenplanung Vorteile gegenüber klassischen Systemen bieten (Quelle: KI).

Neben komplexen Optimierungsproblemen ist die Berechnung von Molekülen ein weiteres mögliches Anwendungsfeld. Auf der Ebene von Molekülen spielen Quanteneffekte eine entscheidende Rolle und da Quantencomputer selbst nach den Prinzipien der Quantenmechanik arbeiten, können sie die Eigenschaften von Molekülen besonders gut berechnen. Damit könnten sie etwa die Entwicklung neuer Materialien oder Wirkstoffe unterstützen.

Klassische und Quantencomputer arbeiten Hand in Hand

Da Quantencomputer klassische Systeme für ihren Betrieb benötigen und nur bei bestimmten Rechenaufgaben Vorteile bieten, werden beide Technologien auf absehbare Zeit in hybriden Architekturen kombiniert werden. Dabei übernehmen klassische Rechner die Aufgaben rund um die Quantenberechnung und bearbeiten jene Teile eines Problems, für die Quantencomputing keinen Vorteil verspricht. Nur geeignete Teilprobleme werden an den Quantencomputer übergeben.

Die Zusammenarbeit kann dabei als eine Art Rechenschleife ablaufen: Ein klassisches System bereitet eine Aufgabe vor und übergibt ein Teilproblem an den Quantencomputer. Dieser berechnet eine Lösung und gibt das Ergebnis zurück. Der klassische Rechner verarbeitet es weiter und übergibt bei Bedarf ein weiteres Teilproblem an den Quantencomputer. Beide Technologien ergänzen sich so innerhalb einer gemeinsamen Rechenumgebung, statt dass der Quantencomputer die klassische Infrastruktur ersetzt.

Diese hybriden Architekturen stellen spezielle Anforderungen an die klassische Infrastruktur. Für rechenintensive Aufgaben rund um die Quantenberechnung werden leistungsfähige HPC-Systeme (High Performance Computing) benötigt, teilweise mit Unterstützung durch GPUs. Für die unmittelbare Steuerung des Quantenchips ist zudem spezielle Steuerungshardware wie Field Programmable Gate Arrays (FPGAs) erforderlich. Diese muss Steuersignale mit sehr geringer Verzögerung verarbeiten. Um Fehler rechtzeitig zu erkennen und Korrekturmaßnahmen einzuleiten, muss die Steuerung im Mikrosekundenbereich reagieren – statt im Millisekundenbereich, wie es bei vielen anderen Computeranwendungen genügt.

Frühzeitig Know-how aufbauen

Bis Quantencomputer so weit sind, dass sie in hybriden Architekturen produktiv eingesetzt werden können, dürfte es noch einige Jahre dauern. Branchenprognosen und Roadmaps verschiedener Anbieter sehen industriell nutzbare Systeme derzeit im Zeitraum zwischen 2030 und 2035.

Unternehmen sollten aber nicht solange warten, sondern bereits jetzt mit der Vorbereitung beginnen. Denn wenn die Technologie breit einsetzbar wird, muss auch das nötige Fachwissen dafür vorhanden sein. Quantencomputing könnte einen Technologiesprung ermöglichen, dessen Auswirkungen ähnlich disruptiv wie bei Künstlicher Intelligenz ausfallen oder diesen sogar übertreffen. Noch gibt es aber vergleichsweise wenige Fachkräfte mit Kenntnissen im Quantencomputing. Unternehmen sollten deshalb frühzeitig Know-how aufbauen und ihre Mitarbeitenden mit der Technologie und ihren möglichen Einsatzgebieten vertraut machen. Mithilfe von Emulationen auf klassischen Rechensystemen lassen sich bereits heute Algorithmen entwickeln und testen. Unternehmen können so erste Erfahrungen sammeln und prüfen, welche Anwendungsfälle für sie infrage kommen. Wer erst startet, wenn Quantencomputer produktiv nutzbar sind, läuft Gefahr, den Anschluss zu verpassen.

Arne Lehfeldt ist Advisory Solutions Architect und CTO Ambassador bei Dell Technologies

(Quelle: Dell Technologies).

Bild: Routenplanung

Klassische Rechner bereiten Quantenberechnungen vor, verarbeiten die Ergebnisse weiter und übergeben bei Bedarf neue Teilprobleme an den Quantencomputer (Quelle: KI).

Praxistipps für Unternehmen

Die folgenden Tipps sind redaktionelle Handlungsempfehlungen auf Grundlage der angegebenen Fachquellen, keine Zusage eines wirtschaftlichen oder technischen Vorteils.

Infografik: Sieben Praxistipps für den Einstieg in hybrides Quantencomputing mit vollständigem Tipptext und den Quellenbezugszeichen des Artikels. KI-generierte Darstellung.

Ausführliche Tipps mit Praxisbeispielen

Die folgenden Umsetzungsschritte sind redaktionelle Empfehlungen zu den sieben Kurztipps. Sämtliche Praxisbeispiele sind ausdrücklich fiktive Szenarien, keine dokumentierten Unternehmensprojekte und keine Nachweise eines Quantenvorteils. Genannte Zahlen dienen ausschließlich der Veranschaulichung; sie sind weder Leistungsprognosen noch allgemeingültige Zielwerte. Die Quellenbezugszeichen beziehen sich auf den vorhandenen Quellenblock.

1. Mit einem begrenzten Problem starten

Umsetzung: Beginnen Sie mit einem Problemsteckbrief, nicht mit der Auswahl eines Quantenanbieters. Beschreiben Sie die zu treffende Entscheidung, die verfügbaren Eingabedaten, harte Nebenbedingungen und die gewünschte Ergebnisqualität. Trennen Sie zwingende Anforderungen von bloßen Präferenzen: Eine kürzere Route ist beispielsweise kein brauchbares Ergebnis, wenn verbindliche Einsatzzeiten verletzt werden. Begrenzen Sie den Pilot auf einen Teilprozess und halten Sie fest, welche Teile weiterhin klassisch berechnet werden sollen. Legen Sie vorab fest, anhand welcher Testfälle Sie Ergebnisse prüfen und welche Fragen der Versuch beantworten soll. Die Kurztipps verweisen hierfür auf die Optimierungsforschung und die Einführung in variationale Verfahren. [2][7]

Fiktives Praxisbeispiel: Ein technischer Kundendienst untersucht die Planung von zwölf Einsätzen in einem einzelnen Servicegebiet. Als Eingaben dienen synthetische Fahrtzeiten, Einsatzdauern und Zeitfenster. Der Pilot betrachtet zunächst nur die Reihenfolge der Einsätze; Qualifikationszuordnung und Personalplanung bleiben außerhalb des Versuchs. Eine Lösung gilt nur dann als zulässig, wenn alle festgelegten Zeitfenster eingehalten werden. Das Team prüft, ob sich dieses eng begrenzte Teilproblem überhaupt sinnvoll für einen hybriden Ansatz formulieren lässt – ohne einen Geschwindigkeitsvorteil vorauszusetzen.

Ergebnis des Arbeitsschritts: Ein freigegebener Problemsteckbrief mit Datensatz, Nebenbedingungen, Qualitätsmaßstab und klarer Abgrenzung. Vermeiden Sie, während des Vergleichs zusätzliche Anforderungen nur für einen der beiden Ansätze einzuführen.

2. Eine anspruchsvolle klassische Vergleichsbasis aufbauen

Umsetzung: Legen Sie zunächst fest, welche klassische Methode für das ausgewählte Problem ein ernst zu nehmender Vergleichspartner ist. Ziehen Sie dafür geeignete Solver oder problembezogene Verfahren heran und dokumentieren Sie Versionen, Einstellungen und eingesetzte Hardware. Verwenden Sie identische Eingabedaten, Nebenbedingungen und Qualitätsanforderungen. Vergleichen Sie bei schwankenden Ergebnissen mehrere Durchläufe statt eines ausgewählten Bestwerts. Halten Sie Entwicklungsaufwand und gemessene Ausführungszeit getrennt fest. Aktualisieren Sie die Vergleichsbasis, wenn sich das klassische Verfahren verbessert, und weisen Sie solche Änderungen im Versuchsprotokoll aus. So bleibt die Bewertung an den im Kurztipp genannten Vergleichsmaßstäben orientiert. [2][3]

Fiktives Praxisbeispiel: Ein Produktionsplaner testet die Zuordnung von Aufträgen zu vier Maschinen. Das Team erstellt einen synthetischen Datensatz mit Bearbeitungszeiten und zulässigen Maschinenzuordnungen. Als klassische Vergleichsbasis verwendet es einen geeigneten Optimierungssolver sowie das bisherige Planungsverfahren. Alle Ansätze müssen dieselben Kapazitätsgrenzen einhalten. Erzeugt der hybride Ansatz einen kürzeren Plan, prüft das Team zunächst dessen Zulässigkeit und vergleicht anschließend die gesamte Bearbeitungszeit. Ein Vorteil gegenüber einer einfachen Ausgangslösung wird nicht automatisch als Vorteil gegenüber dem stärkeren Solver bezeichnet.

Ergebnis des Arbeitsschritts: Ein reproduzierbares Vergleichsprotokoll mit Softwareständen, Einstellungen, zulässigen Lösungen und Streuung der Ergebnisse. Vermeiden Sie Vergleiche zwischen unterschiedlich anspruchsvollen Problemvarianten.

3. End-to-End statt nur QPU-Zeit messen

Umsetzung: Definieren Sie einen gemeinsamen Start- und Endpunkt: etwa vom Eingang eines freigegebenen Datensatzes bis zur geprüften, weiterverwendbaren Lösung. Protokollieren Sie dazwischen Datenaufbereitung, Übertragung, Wartezeit, Schaltungsvorbereitung, Quantenausführung und klassische Nachverarbeitung. Erfassen Sie zusätzlich die Zahl der Iterationen und Wiederholungen. Unterscheiden Sie reine Rechenzeit von der tatsächlich verstrichenen Zeit sowie Verbrauchswerte von abgerechneten Kosten. Dokumentieren Sie, welche Schritte in einem Wiederholungslauf wiederverwendet werden dürfen und welche erneut erforderlich sind. Diese Empfehlung konkretisiert den vorhandenen Tipp zur Bewertung des gesamten hybriden Workflows. [4]

Fiktives Praxisbeispiel: Ein Pilot zur Produktionsreihenfolge liefert einen kurzen Quantenausführungsschritt, erreicht den geprüften Plan aber erst nach mehreren Optimierungsrunden und einer Wartephase auf die Ressource. Das Team stellt deshalb zwei Zeitansichten gegenüber: die reine Quantenausführung und die vollständige Dauer vom Start bis zum validierten Ergebnis. Zusätzlich dokumentiert es, ob der Plan innerhalb des vorgesehenen betrieblichen Entscheidungsfensters vorlag. Ohne diese zweite Ansicht würde die Bewertung einen Teil des tatsächlichen Ablaufs ausblenden.

Ergebnis des Arbeitsschritts: Ein Ablaufprotokoll mit Zeitstempeln, Iterationszahl, Ressourcennutzung und nachvollziehbarer Kostenabgrenzung. Berichten Sie eine kurze QPU-Ausführung nicht als Gesamtlaufzeit des Piloten.

4. Simulation und Hardwaretest trennen

Umsetzung: Gliedern Sie die Erprobung in getrennte Stufen. Prüfen Sie zuerst mit einem Simulator, ob Modell, Schaltung und Ergebnisverarbeitung für kleine Testfälle korrekt zusammenspielen. Betrachten Sie anschließend, sofern verfügbar, Simulationen mit einem dokumentierten Rauschmodell. Erst danach folgt ein klar gekennzeichneter Lauf auf realer Hardware. Halten Sie Zahl der Messwiederholungen, Schaltungseinstellungen, Backend und Testzeitpunkt fest. Verwenden Sie für jede Stufe dieselben Prüfkriterien und erläutern Sie Abweichungen, statt Simulator- und Hardwarewerte unkommentiert zusammenzufassen. Die zugrunde liegenden Kurztipps nennen Emulatorzugang und die Grenzen variationaler Verfahren. [5][7]

Fiktives Praxisbeispiel: Ein Entwicklungsteam erprobt ein kleines Zuordnungsproblem mit wenigen Entscheidungsvariablen. Im ersten Schritt prüft es die Ergebnisse gegen eine vollständig klassisch berechnete Referenz. Im zweiten Schritt wiederholt es denselben Test unter einem ausgewählten Rauschmodell. Im dritten Schritt führt es die Schaltung auf zugänglicher Quantenhardware aus und dokumentiert die Ergebnisverteilung. Unterschiede werden getrennt ausgewiesen; ein überzeugendes Simulatorergebnis wird nicht als bereits erreichter Hardwareerfolg dargestellt.

Ergebnis des Arbeitsschritts: Drei eindeutig beschriftete Testberichte für ideale Simulation, gegebenenfalls Rauschsimulation und reale Hardware. Halten Sie offen, welche beobachteten Unterschiede erklärt sind und welche weitere Prüfung erfordern.

5. Zugang vor Beschaffung prüfen

Umsetzung: Erstellen Sie einen Anforderungskatalog für den Pilotzugang. Prüfen Sie verfügbare Backends, Simulatoren, Softwarewerkzeuge, Support, Zugangsverfahren und Nutzungskonditionen direkt beim jeweiligen Anbieter. Klären Sie außerdem, welche Daten übertragen werden dürfen, in welcher Umgebung sie verarbeitet werden und wie Ergebnisse exportiert und reproduziert werden können. Verwenden Sie zunächst synthetische oder ausdrücklich freigegebene Daten. Vergleichen Sie Angebote nach den Anforderungen des konkreten Versuchs, nicht allein nach einer Qubitzahl. Die Nennung von JUNIQ im vorhandenen Tipp ist ein Rechercheansatz und ersetzt weder eine zugesagte Zugangsmöglichkeit noch ein individuelles Angebot. [5]

Fiktives Praxisbeispiel: Ein mittelständischer Fertiger möchte zunächst nur ein kleines Planungsmodell erproben. Das Projektteam fragt bei einer Forschungsplattform und einem Cloud-Angebot nach Zugangsvoraussetzungen, unterstützten Werkzeugen und abrechenbaren Leistungen. Es startet mit synthetischen Auftragsdaten und hält die Anwendung so modular, dass der Ausführungsdienst ausgetauscht werden kann. Eine eigene Hardwarebeschaffung wird während dieser Lernphase nicht eingeplant; eine spätere Entscheidung bleibt an einen gesonderten Bedarfsnachweis gebunden.

Ergebnis des Arbeitsschritts: Eine dokumentierte Zugangsbewertung einschließlich Datenfreigabe, Nutzungskonditionen und Wechselmöglichkeit. Verfügbarkeiten und Preise sind direkt zu bestätigen; sie werden hier nicht behauptet.

6. Ein interdisziplinäres Pilotteam bilden

Umsetzung: Benennen Sie Verantwortliche für Problemdefinition, mathematisches Modell, Datenbereitstellung, technische Ausführung und Ergebnisprüfung. Der Fachbereich legt fest, ob eine Lösung betrieblich brauchbar ist; die Algorithmik dokumentiert die Modellierung; die Infrastrukturverantwortlichen klären Zugang, Schnittstellen und Protokollierung. Beziehen Sie Datenschutz- und Sicherheitskompetenz ein, sobald reale Unternehmensdaten eingesetzt werden sollen. Vereinbaren Sie eine gemeinsame Beschreibung von Eingaben und Ausgaben sowie eine Versionierung von Datensatz, Modell und Software. Der Tipp knüpft an die Arbeitsteilung variationaler Verfahren und die Koordination hybrider Workflows an. [1][4]

Fiktives Praxisbeispiel: Für einen Pilot zur Maschinenbelegung beschreibt die Produktionsplanung die betrieblichen Regeln. Ein Mitglied des Algorithmikteams übersetzt sie in das Testmodell; die IT stellt Ausführungsumgebung und Protokollierung bereit. Die gemeinsame Ergebnisprüfung zeigt, dass eine rechnerisch zulässige Variante eine bislang nicht dokumentierte Rüstbedingung ignoriert. Das Team ergänzt daraufhin den Problemsteckbrief und wiederholt beide Vergleichsläufe mit derselben korrigierten Modellversion. Das Beispiel illustriert eine fachliche Prüfung, keine Bewertung beteiligter Personen.

Ergebnis des Arbeitsschritts: Eine Verantwortungsübersicht und ein versioniertes Schnittstellen- und Modellprotokoll. Änderungen an betrieblichen Regeln müssen für klassische und hybride Tests gleichermaßen gelten.

7. Meilensteine statt Kalenderwetten setzen

Umsetzung: Planen Sie den Pilot entlang überprüfbarer Ergebnisse: freigegebene Problemdefinition, belastbare klassische Referenz, nachvollziehbarer Simulationstest, dokumentierter Hardwarelauf und abschließende Bewertung. Legen Sie für jeden Übergang fest, welche Unterlagen vorliegen müssen und wer über Fortsetzung oder Anpassung entscheidet. Unterscheiden Sie ein Lernziel von einem Leistungsziel: Ein nachvollziehbarer negativer Befund kann eine Wissensfrage beantworten, ohne ein produktives Einsatzversprechen zu rechtfertigen. Definieren Sie außerdem Budget- und Zeitgrenzen sowie Abbruchkriterien. Anbieterroadmaps bleiben Hintergrundinformationen und ersetzen diese projektbezogenen Kriterien nicht. [3][6]

Fiktives Praxisbeispiel: Ein Unternehmen gliedert einen Lernpilot in drei Entscheidungstore. Nach dem ersten Tor müssen Problem und klassische Referenz freigegeben sein. Nach dem zweiten müssen Modell und Simulatorergebnisse nachvollziehbar dokumentiert sein. Das dritte Tor bewertet einen Hardwaretest einschließlich Lösungsgüte und vollständigem Ablauf. Erfüllt der Ansatz die betrieblichen Anforderungen nicht, archiviert das Team die Ergebnisse und formuliert, unter welchen veränderten Voraussetzungen ein neuer Versuch sinnvoll wäre. Ein in einer Anbieterroadmap genanntes Jahr löst für sich genommen keine Fortsetzung aus.

Ergebnis des Arbeitsschritts: Eine Entscheidungsunterlage mit erreichten Lernzielen, gemessenen Grenzen und begründeter Empfehlung zur Fortsetzung, Anpassung oder Beendigung. Trennen Sie beobachtete Ergebnisse ausdrücklich von Erwartungen an künftige Hardware.

FAQ: Hybrides Quantencomputing

1. Was bedeutet hybrides Quantencomputing?

Hybrides Quantencomputing verbindet klassische und Quantenressourcen innerhalb eines Workflows. Bei variationalen Algorithmen wird beispielsweise eine Kostenfunktion mithilfe von Quantenschaltungen ausgewertet. Ein klassischer Optimierer aktualisiert daraufhin deren Parameter; anschließend folgt die nächste Auswertung. Diese Arbeitsteilung ist Bestandteil des Algorithmus und nicht nur eine Übergangslösung beim Hardwarezugang. [1]

2. Warum bleiben klassische Rechner notwendig?

In hybriden Verfahren übernehmen klassische Rechner unter anderem Optimierungsschritte und Teile der Ergebnisverarbeitung. Darüber hinaus müssen Quanten- und klassische Aufgaben auf verfügbaren Ressourcen eingeplant und ihre Abhängigkeiten berücksichtigt werden. Forschungsarbeiten zur HPC-Quantenintegration behandeln deshalb ausdrücklich Scheduling, Datenbewegung und Koordination als Bestandteile des Gesamtsystems. [1][4]

3. Ist eine komplexe Aufgabe automatisch für Quantencomputing geeignet?

Nein. Ein großes Optimierungsproblem ist noch kein Nachweis eines Quantenvorteils. IBM Research untersucht für Optimierungsaufgaben geeignete Algorithmen, Vergleichsmethoden und Bewertungsgrößen gerade mit dem Ziel, Vorteile gegenüber klassischen Verfahren nachzuweisen. Für Unternehmen heißt das: Die Nennung von Routenplanung oder Lieferketten als Anwendungsfeld ersetzt keinen Benchmark des konkreten Problems. [2][3]

4. Was sind VQE und QAOA?

Der Variational Quantum Eigensolver (VQE) ist ein hybrides Verfahren zur Bestimmung von Eigenwerten, etwa im Kontext quantenchemischer Aufgaben. Der Quantum Approximate Optimization Algorithm (QAOA) adressiert Optimierungsprobleme. Beide nutzen parametrisierte Quantenschaltungen und klassische Parameteroptimierung. Rauschen und die begrenzte Nutzbarkeit tiefer Schaltungen gehören zu den Herausforderungen dieser Ansätze; ihre Bezeichnung allein belegt noch keinen praktischen Vorteil. [7]

5. Braucht jeder Pilot ein eigenes HPC-System und einen Quantencomputer?

Nein. JUNIQ stellt eine Forschungs- und Nutzerplattform bereit, über die Wissenschaft und Industrie Zugang zu Quantensystemen und Emulatoren erhalten können. Die JUNIQ-Cloud-Dokumentation beschreibt außerdem klassische Cloud-Ressourcen für Nutzende ohne HPC-Konto sowie Supercomputerressourcen für entsprechende Kontoinhaber. Welche Ressourcen erforderlich sind, hängt vom Workflow und seinen Zugangsbedingungen ab. [5][8]

6. Welche Rolle spielt die Latenz?

Die Gesamtlaufzeit eines hybriden Workflows hängt nicht allein von der Quantenausführung ab. Datenbewegung, Warteschlangen, Ressourcenengpässe und Abhängigkeiten zwischen Aufgaben können die Bearbeitung verzögern. Eine Forschungsarbeit von September 2026 untersucht deshalb die koordinierte Einplanung von HPC- und Quantenaufgaben. Eine pauschale Mikrosekundenanforderung für sämtliche Unternehmensschnittstellen lässt sich daraus nicht ableiten. [4]

7. Wie lässt sich ein Quantenvorteil belastbar bewerten?

Ein Vorteil muss für ein definiertes Problem gegenüber leistungsfähigen klassischen Methoden gezeigt und das Resultat nachvollziehbar validiert werden. Der Quantum Advantage Tracker dokumentiert den laufenden Vergleich von Quanten- und klassischen Ansätzen; verbesserte klassische Methoden können frühere Bewertungen verändern. Für einen Unternehmenspiloten sollten deshalb Problemdefinition, Lösungsgüte, Gesamtlaufzeit und Vergleichsverfahren offen dokumentiert werden. [3][4]

8. Gibt es bereits gemeldete Quantenvorteile?

IBM berichtete am 30. Juli 2026 über drei Forschungsarbeiten, die nach Darstellung des Unternehmens Quantenvorteile mit integrierten Validierungsverfahren demonstrieren. Der Beitrag behandelt unter anderem spezielle Sampling-Verfahren und die Untersuchung von Quantenphänomenen. Das ist als anbieterbezogener Forschungsbericht einzuordnen, nicht als pauschaler Beleg dafür, dass beliebige Logistik- oder andere Unternehmensaufgaben bereits wirtschaftlicher auf Quantenhardware laufen. [9]

9. Wann sind breit einsetzbare fehlertolerante Systeme zu erwarten?

[Unverified] Einen verbindlichen Zeitpunkt für die breite wirtschaftliche Nutzbarkeit kann ich nicht überprüfen. Belegt ist die Zielsetzung der IBM-Roadmap: Starling soll 2029 mit 200 logischen Qubits und 100 Millionen Operationen verfügbar werden; für 2033 und danach wird ein größeres System genannt. IBM kennzeichnet diese Angaben ausdrücklich als veränderbare Ziele. Fehlertolerante Hardware und ein wirtschaftlicher Vorteil für einen konkreten Unternehmensprozess sind zudem unterschiedliche Bewertungskriterien. [3][6]

10. Was können Unternehmen bereits heute praktisch erproben?

Über Plattformen wie JUNIQ lassen sich unterschiedliche Quantensysteme und Emulatoren erschließen; die Plattform bietet auch Unterstützung bei der Entwicklung von Algorithmen und Anwendungen. Ein überschaubarer Einstieg besteht darin, eine klar definierte Aufgabe zunächst klassisch zu lösen, einen hybriden Ansatz zu entwickeln und beide Ergebnisse zu vergleichen. Der Pilot sollte Erkenntnisse über Eignung, Ressourcenbedarf und Grenzen liefern – nicht vorab einen Geschwindigkeitssprung voraussetzen. [1][2][5]

Quellen

Recherchestand: 29. Oktober 2026. Die Bezugszeichen [1] bis [9] verweisen auf die folgenden Originalseiten. IBM-Quellen sind Anbieter- beziehungsweise Anbieterforschungsquellen; Roadmaps und gemeldete Vorteile werden entsprechend eingeordnet.

[1] IBM Quantum Learning: Variational algorithms. URL: https://quantum.cloud.ibm.com/learning/courses/variational-algorithm-design/variational-algorithms
[2] IBM Research: Quantum Optimization. URL: https://research.ibm.com/projects/quantum-optimization
[3] IBM Quantum Blog: Quantum Advantage Tracker: the race to advantage, 23. Februar 2026. URL: https://www.ibm.com/quantum/blog/quantum-advantage-tracker
[4] IBM Research: Practical Example of Optimal Scheduling of Hybrid Quantum-Classical Workflows, Workshopbeitrag für QCE 2026, 13. September 2026. URL: https://research.ibm.com/publications/practical-example-of-optimal-scheduling-of-hybrid-quantum-classical-workflows
[5] Forschungszentrum Jülich: Über JUNIQ. URL: https://www.fz-juelich.de/de/jsc/systeme/quantencomputing/juniq-infrastruktur/juniq
[6] IBM Technology Atlas: Quantum Roadmap. URL: https://www.ibm.com/roadmaps/quantum/
[7] IBM Quantum Learning: Variational quantum algorithms, Tutorial vom 24. Mai 2024. URL: https://quantum.cloud.ibm.com/learning/en/courses/utility-scale-quantum-computing/variational-quantum-algorithms
[8] JUNIQ Cloud Documentation: Overview. URL: https://juniq.pages.jsc.fz-juelich.de/documentation/index.html
[9] IBM Quantum Blog: Researchers demonstrate quantum advantage through trusted quantum computation, 30. Juli 2026. URL: https://www.ibm.com/quantum/blog/quantum-advantage

Management Summary, Tipps, FAQ und Bilder wurden mit Hilfe von KI erstellt

391 Artikel zu „Quantencomputing“

Effizienz | Nachhaltigkeit | News | Rechenzentrum

Vom Labor in die Praxis: Fünf Beispiele, wie Quantencomputing die Nachhaltigkeit vorantreibt

3. August 2026

Quantencomputing gilt noch zu oft als reine Zukunftsmusik. Dabei zeigt sich schon heute, an welchen Stellen die Technologie vor allem das Thema Nachhaltigkeit messbar voranbringen kann. Denn: Wo die kleinen Quanten großen Mehrwert liefern können und warum klassische Rechner dort an ihre Grenzen stoßen, ist längst bekannt. NTT DATA hat fünf Beispiele dafür gesammelt, wie Quantencomputer…