AP1: Quantencomputing für Optimierung in der Logistik

Das Ziel von AP1 ist die Sicherstellung und Bewertung des praktischen Nutzens der durch Quantencomputing erzeugten Lösungen für logistische Optimierungsprobleme. Dazu wurden vorab drei relevante Use Cases identifiziert, die aus verschiedenen Domänen der praktischen Logistik stammen: das Load-Building (Packproblem), das Vehicle Routing sowie die Produktionsplanung. Alle Projektpartner sind bei allen Use Cases gleichermaßen beteiligt.

Ansprechpartner: 4flow

AP2: ProvideQ Toolbox

Das Ziel ist der Architekturentwurf, Realisierung, und Integration der ProvideQ Toolbox. Die folgende Graphik illustriert die Architektur der ProvideQ Toolbox und ihre Einbettung in das existierende Software-Ökosystem. Von der Anwenderseite schafft die ProvideQ-Toolbox die Anbindung an die GAMS-DSL (domänenspezifische Sprache zur Beschreibung von Optimierungsproblemen mit Begriffen der Fachlichkeit). Von technischer Seite übersetzt die ProvideQ Toolbox die ausgewählten (hybriden) Quantenalgorithmen für die Qiskit-Plattform oder andere Quanten-SDKs, so dass eine Ausführung auf unterschiedlicher Quantenhardware möglich ist. Das logische Kernstück der ProvideQ Toolbox bildet der ProvideQ Meta-Solver und die polylithischen Solverstrategien, die für ein gegebenes domänenspezifisches Optimierungsproblem eine Abbildung in ein mathematisches Modell zur Übergabe an existierenden Solver, z.B. DOcplex und das Qiskit Optimization Module, oder an die neuartigen in ProvideQ entwickelten hybriden Quantenalgorithmen übernehmen.

Ansprechpartner: KIT

AP3: Meta-Solver

Reale Anwendungsprobleme lassen sich selten durch ein monolithisches Optimierungsmodell lösen. Vielmehr implementiert ein Modellierer einen problemspezifischen polylithischen Ansatz, um ein komplexes Anwendungsproblem zu lösen. Dabei werden mehrere Komponenten, wie zum Beispiel deklarative Optimierungsmodelle und problemspezifische Heuristiken, geeignet miteinander kombiniert. Das Konzept des polylithischen Ansatzes lässt sich um den hybriden Ansatz von klassischen und quantum Methoden erweitern, sodass im Idealfall letztlich ein Meta-Solverfür eine bestimmte Problemklasse entsteht, der eine Vielzahl von Methoden – sowohl klassische als auch (hybride) Quantenmethoden - auf geeignete Art und Weise kombiniert.

Ansprechpartner: GAMS

AP4: Ganzzahlige Optimierung

Ganzzahlige Optimierungsprobleme sind in der Logistik allgegenwärtig. Das Ziel von AP4 ist es, ganzzahlige Optimierungsprobleme, die in industriellen Anwendungsfällen auftreten, aufzugreifen und Quantenheuristiken und Quantenalgorithmen als Unterprogramme zu ihrer Lösung einzusetzen. In der Spitzenforschung wurden drei mögliche Ansätze zur Nutzung von Quanten-Subroutinen ermittelt: (a) Formulierung des Optimierungsproblems als Suchproblem und Nutzung von Quantensuchalgorithmen; (b) Neuformulierung des Optimierungsproblems mittels konvexer Relaxierung, um den Einsatz von Methoden der linearen Quantenalgebra zu ermöglichen; und (c) Nutzung von Quantenoptimierungsheuristiken für das eingeschränkte Optimierungsproblem.

Ansprechpartner: LUH

AP5: Konvexe Optimierung

Die konvexe Relaxierung von Optimierungsprobleme ist eine der erfolgreichsten systematischen Ansätze zur Lösung bestimmter Problemklassen. Daher haben Quantenmethoden für die konvexe Optimierung das Potential, für eine breite Klasse von Problemen anwendbar zu sein. Quantenalgorithmen für LPs und SDPs existieren zwar abstrakt, sind aber oft noch nicht für konkrete Anwendungsfälle oder Quantenprogrammiersprachen ausgearbeitet. In diesem Arbeitspaket verfolgen wir daher zwei Ziele. (1) Bereits veröffentlichte quantenalgorithmische Ansätze werden so aufbereitet, dass sie in die ProvideQ Toolbox integriert werden können. (2) Außerdem werden konkrete konvexe Optimierungsprobleme betrachtet, die durch Relaxierung nicht-konvexer kombinatorischer Anwendungsfälle entstehen.

Ansprechpartner: UzK

AP6: Optimierung unter Unsicherheit

In diesem Arbeitspaket wird ein neues Verfahren entwickelt um Unsicherheit in Netzwerken mit Störungen in der Optimierung von Logistikproblemen zu berücksichtigen. Kern ist eine Ausdünnung des sehr großen Abhängigkeitsgraphen durch einen Quantenalgorithmus.

Ansprechpartner: TUBS-IMO