KI News: Kurz und klar.

In einem praxisnahen Tutorial wird gezeigt, wie man mit Qrisp anspruchsvolle Quantenalgorithmen konzipiert und ausführt. Der Leitfaden führt Schritt für Schritt durch die Kernabstraktionen von Qrisp für Quanten­daten, demonstriert die Erzeugung von verschränkten Zuständen und legt anschließend die Basis für fortgeschrittene Anwendungen.

In einem 53‑minütigen Podcast, den ich heute Nachmittag mit dem High‑School‑Studenten Micah Zarin aufgenommen habe, haben wir ein breites Spektrum an Themen beleuchtet – von Bewusstsein und freiem Willen über Gehirn‑Upload und die Church‑Turing‑These bis hin zu KI, Quantenmechanik, ihren verschiedenen Interpretationen, Quanten­gravitation, Quanten­computing und der Frage, ob die Naturgesetze diskret oder kontinuierlich sind. Für ein schnelleres Verständnis empfehle ich die Wiedergabe mit 2‑facher Geschwindigkeit.

Unternehmen aus Gesundheitswesen, Finanzen und Forschung stehen zunehmend vor der Aufgabe, aus verteilten, isolierten Datensätzen kollektive Intelligenz zu gewinnen, ohne sensible Rohdaten preiszugeben. Federated Learning (FL) ermöglicht genau das, doch die wachsende statistische Heterogenität, Systemdiversität und der hohe Rechenaufwand komplexer Modelle stellen dabei große Herausforderungen dar.

In den letzten Jahren wurde häufig die Frage gestellt, warum ein Experte, der vor einem Jahrzehnt erklärte, dass skalierbares Quantencomputing nicht unmittelbar bevorsteht, nun plötzlich davon ausgeht, dass es plausibel ist. Die Antwort liegt in der raschen Entwicklung der Technologie und den damit verbundenen Fortschritten in der Forschung.

Am letzten Tag des Staatsbesuchs des deutschen Präsidenten haben die Regierungen von Großbritannien und Deutschland ihre gemeinsame Initiative zur Beschleunigung der kommerziellen Nutzung von Quanten‑Supercomputing-Technologien vorgestellt. Ziel ist es, die Lücke zwischen Forschung und Entwicklung und der praktischen Anwendung in Bereichen wie Hochleistungsrechnen, präziser Sensorik und Zeitmessung zu schließen.

Graph Neural Networks (GNNs) sind in Bereichen wie der Wirkstoffforschung, der Analyse sozialer Netzwerke und Empfehlungssystemen unverzichtbar, doch ihre Black-Box-Natur erschwert die Einführung in Anwendungen, die Transparenz und Verantwortung erfordern. Shapley-Werte bieten eine mathematisch fundierte Möglichkeit, die Beiträge einzelner Knoten oder Kanten zu einer Vorhersage zu quantifizieren, allerdings erfordert die exakte Berechnung die Bewertung von $2^n$ möglichen Koalitionen – ein Verfahren, das bei realen Graphen unpraktisch ist.

Enterprise-Führungskräfte gehen 2026 mit einer Mischung aus Volatilität, Optimismus und dem Druck, schneller auf KI und Quantencomputing zu reagieren. Laut einer Studie des IBM Institute for Business Value basiert diese Einschätzung auf mehr als 1.000 C‑Suite-Executives sowie 8.500 Mitarbeitern und Konsumenten.

Auf der SC25-Konferenz hat NVIDIA die neuesten Entwicklungen seiner BlueField‑DPUs vorgestellt und damit die Zukunft des KI‑Supercomputings vorangetrieben. Die neuen Einheiten, insbesondere die BlueField‑4, ermöglichen eine noch schnellere Verarbeitung von Gigascale‑Daten und optimieren die gesamte Infrastruktur für künstliche Intelligenz.

In einer Welt, in der militärische Operationen, Energieversorgung, Cybersicherheit und Luftfahrt auf schnelle, zuverlässige Entscheidungen angewiesen sind, bietet die Quanten-KI (QAI) einen vielversprechenden Ansatz. Durch die Kombination von maschinellem Lernen und Quantencomputing können klassische Modelle, die oft unter den strengen Anforderungen von Robustheit, Timing, Erklärbarkeit und Sicherheit leiden, ergänzt oder sogar ersetzt werden.

In der heutigen digitalen Landschaft verändern Künstliche Intelligenz und Quantencomputing die Spielregeln der Cybersicherheit grundlegend. Beide Technologien ermöglichen es, Angriffe und Verteidigungsmaßnahmen in einer Geschwindigkeit und mit einem Umfang auszuführen, die bisher undenkbar waren.

Ein neues arXiv‑Veröffentlichung (2508.19394v1) präsentiert einen hybriden Quantum‑Classical‑Autoencoder, der die Rekonstruktion von SMILES‑Strings – der Standardnotation für chemische Strukturen – deutlich verbessert. Durch die Kombination von quantenmechanischen Encodings mit klassischen Sequenzmodellen erreicht die Methode eine Quantum‑Fidelity von rund 84 % und eine klassische Rekonstruktionsähnlichkeit von 60 %, was die bisherigen Quantum‑Baselines deutlich übertrifft.

Quantum Federated Learning (QFL) vereint verteiltes Quantencomputing mit federated Machine Learning und eröffnet damit dezentrale Lernprozesse, die gleichzeitig datenschutzfreundlich und quantenverstärkt sind. Durch die Kombination beider Technologien können Modelle effizienter und sicherer über verteilte Quanten­systeme hinweg trainiert werden.

Die Kombination aus Quantencomputing und maschinellem Lernen eröffnet neue Möglichkeiten, insbesondere bei der Analyse von sequentiellen Daten. Quantum‑Recurrent‑Modelle wie der Quantum‑Long‑Short‑Term‑Memory‑Ansatz (QLSTM) zeigen vielversprechende Ergebnisse in Bereichen wie Zeitreihenprognose, natürlicher Sprachverarbeitung und Reinforcement‑Learning.