Quantencomputing hat sich zu einer der vielversprechendsten Technologien entwickelt um vielfältige Problemstellungen in den Bereichen der Quantensimulationen von Materialien und Chemikalien, der Optimierungsprobleme und des maschinellen Lernens zu lösen. Solche Lösungen werden zu einer nachhaltig wachsenden Gesellschaft beitragen. Anwendungen wie Fahrzeugrouting, Stromhandel, Optimierung von Lieferkettennetzwerken, Planung von Krebsbestrahlungen und Zielinteraktionen für die Entwicklung von Medikamenten stellen aktuelle Optimierungsherausforderungen dar. Computermethoden wie maschinelles Lernen und Data Mining sowie die Entwicklung künstlicher Intelligenz und Computer Vision sind ebenfalls im Bereich der Optimierung verwurzelt. Die Forschungsgruppe Quanteninformationsverarbeitung (QIP) arbeitet am Benchmarking modernster Quantencomputer, an der Simulation von Quantensystemen und an der Entwicklung prototypischer Anwendungen und Anwendungsfälle für das Quantencomputing.

QIP führt Benchmarking mittels Optimierungsalgorithmen wie den Quantum Approximation Optimization Algorithm (QAQA) und den Variational Quantum Eigensolver (VQE) durch, die auf verschiedenen gatterbasierten Noisy-Intermediate-State-Quantum (NISQ) Geräten implementiert werden. Ihre Leistungen werden plattformübergreifend validiert und mit Ergebnissen verglichen, die von Emulatoren idealer Quantencomputer wie dem Jülich Universal Quantum Computer Simulator (JUQCS) berechnet werden. Zusätzlich werden analoge Quantencomputer wie Quantenannelaer und Quantensimulatoren in den plattformübergreifenden Benchmarkingprozess einbezogen. Des Weiteren QIP arbeitet an der Integration verschiedener Quantengeräte in die modulare Supercomputer-Architektur des Jülich Supercomputing Centre, um hybride Berechnungen zu ermöglichen, die für das praktische Quantencomputing unerlässlich sind. Basierend auf diesen Benchmarking- und Integrationsbemühungen versucht die Gruppe, Anwendungsfälle und Prototypanwendungen zu identifizieren und zu entwickeln, die in naher Zukunft zur Lösung wichtiger Probleme beitragen werden. Neben dem Benchmarking von Algorithmen werden auch Quantensysteme simuliert, wie z. B. Multi-QuBit-Chips, um Fehlerquellen und deren Auswirkungen auf die Ausführung von Algorithmen zu verstehen.