SAN SEBASTIÁN, SPANIEN – 16. August 2022 – Multiversum-Computing, ein Unternehmen für Quantencomputerlösungen, und IKERLAN, ein Zentrum für den Wert des Technologietransfers für die Industrie, haben die Ergebnisse einer gemeinsamen Forschungsstudie veröffentlicht, in der Defekte in hergestellten Autoteilen durch Bildklassifizierung durch künstliche Quanten-Sichtsysteme erkannt wurden.
Das Forschungsteam entwickelte eine quantenerweiterte Kernel-Methode zur Klassifizierung auf Universal-Gate-basierten Quantencomputern sowie einen Quantenklassifizierungsalgorithmus auf einem Quantenannealer. Die Forscher fanden heraus, dass beide Algorithmen herkömmliche klassische Methoden bei der Identifizierung relevanter Bilder und der genauen Klassifizierung von Herstellungsfehlern übertrafen.
„Nach unserem besten Wissen stellt diese Forschung die erste Implementierung von Quantencomputer-Vision für ein relevantes Problem in einer Produktionslinie dar“, sagte Ion Etxeberria, CEO von IKERLAN. „Diese Gemeinschaftsstudie bestätigte die Vorteile der Anwendung von Quantenmethoden auf reale industrielle Herausforderungen. Wir sind fest davon überzeugt, dass Quantencomputing eine Schlüsselrolle bei der Bereitstellung von KI-basierten Lösungen für besonders komplexe Szenarien spielen wird.“
„Quantum Machine Learning wird die Automobil- und Fertigungsindustrie erheblich stören“, sagte Roman Orus, Ph.D., Chief Scientific Officer bei Multiverse Computing. „Wir freuen uns, heute den Wert früher Quantencomputing-Anwendungen wie Quanten-künstliches Sehen zu sehen, und freuen uns darauf, zusammen mit zukunftsorientierten Partnern wie IKERLAN in eine neue Ära des maschinellen Lernens einzutreten, während die Quantentechnologie weiter voranschreitet.“
Das gemeinsam verfasste Papier mit dem Titel „Quantum Artificial Vision for Defect Detection in Manufacturing“ zeigt Beispiele der Bilder, die von den Quantenalgorithmen analysiert wurden, und detailliert den Kontext, die Metriken und Methoden, die von den Forschern verwendet werden, und kann heruntergeladen werden hier.
