Rechnen mit Qubits gegen den Stromhunger: Wie Forscher das KI-Training auf Quantencomputer verlagern wollen
Das Training großer KI-Modelle treibt Rechenzentren an ihre Grenzen – beim Strom wie bei den Kosten. Ein neues Forschungsprojekt aus Bayern will die teuersten Rechenschritte auf Quantenprozessoren auslagern. Was dahintersteckt und warum das noch kein fertiges Rezept ist.
Jede Antwort eines KI-Chatbots hat einen Preis, den man nicht auf der Rechnung sieht: Strom. Vor allem das Training der großen Sprachmodelle hinter Diensten wie ChatGPT oder Gemini verschlingt enorme Mengen an Rechenleistung, Energie und Speicher. Mit jedem größeren Modell und jeder neuen Trainingsrunde wächst der Bedarf weiter. Rechenzentren stoßen dabei zunehmend an technische wie wirtschaftliche Grenzen – und die Politik schaut inzwischen genauer hin. Der EU AI Act etwa verlangt mehr Transparenz über den Energieverbrauch von KI-Systemen und drängt auf Standards für mehr Ressourceneffizienz.
Ein anderer Rechenweg für die teuersten Schritte
An dieser Stelle setzt ein Forschungsansatz an, der zwei viel beschworene Zukunftstechnologien zusammenbringt: künstliche Intelligenz und Quantencomputing. Im Projekt QC-Train wollen Fachleute des Fraunhofer-Instituts für Integrierte Schaltungen (IIS) gemeinsam mit Partnern die Trainingsmethoden großer KI-Modelle von Grund auf neu denken. Die Idee: Nicht das gesamte Training soll auf einen Quantencomputer wandern, sondern gezielt jene mathematischen Operationen, die auf herkömmlicher Hardware besonders rechenintensiv sind.
„Dabei sollen die ressourcenintensivsten mathematischen Operationen von derzeit noch verwendeter traditioneller Hardware auf Quantenprozessoren verlagert werden“, erläutert Daniel Scherer, Leiter der Forschungsgruppe „Quantum Compilation“ am Fraunhofer IIS, den Grundgedanken. Erste technische Prognosen deuteten laut den Projektbeteiligten darauf hin, dass sich der Ressourcenverbrauch beim Training auf diese Weise deutlich senken ließe. Es handelt sich um eine Erwartung, nicht um einen bereits erbrachten Nachweis – das Projekt beginnt gerade erst.
Warum wenige Qubits kein Ausschlusskriterium sind
Ein naheliegender Einwand: Heutige Quantencomputer sind klein, fehleranfällig und auf wenige Qubits beschränkt – die Grundbausteine der Quanteninformation. Für das direkte Training kompletter Sprachmodelle taugen sie damit auf absehbare Zeit nicht. Genau deshalb geht es im Projekt nicht um den großen Wurf, sondern um die Suche nach eng umrissenen Szenarien, in denen sich eine Quantenberechnung schon jetzt lohnen könnte. Dafür werden verschiedene Trainingsverfahren analysiert, für die Ausführung auf Quantensystemen umgestaltet und anschließend auf Robustheit, Skalierbarkeit und Leistungsfähigkeit geprüft.
Die daraus entstehenden Software-Werkzeuge sollen jene Nischen identifizieren, in denen ein Quantenrechner trotz seiner heutigen Grenzen einen spürbaren Vorteil bringt – wirtschaftlich und, weil weniger Energie fließt, auch ökologisch. Gemeinsam mit den Unternehmenspartnern infoteam und OptWare wollen die Beteiligten die entwickelten Ansätze in einer praxisnahen Bewertungsphase an realen Modellen und Trainingsdaten messen. Ein solcher Benchmark ist entscheidend: Ob quantenunterstütztes Training wirklich effizienter ist als klassische Hardware, lässt sich nur im direkten Vergleich zeigen.
Zwischen Versprechen und Beweis
Einzuordnen ist das Vorhaben nüchtern. Die Kombination aus KI und Quantencomputing wird seit Jahren als vielversprechend gehandelt, doch belastbare, praxistaugliche Ergebnisse sind bislang rar. QC-Train ist auf drei Jahre angelegt und wurde im Juli im Verbundforschungsprogramm „Digitalisierung“ (BayVFP) des Freistaats Bayern gestartet. Am Ende steht kein marktreifes Produkt, sondern die Frage, ob und wo sich der Aufwand überhaupt rechnet.
Interessant ist der Ansatz vor allem, weil er das Effizienzproblem der KI von einer ungewohnten Seite angeht. Während viele Optimierungen darauf zielen, Modelle zu verkleinern oder Berechnungen auf klassischer Hardware zu straffen, fragt QC-Train, ob ein grundlegend anderer Rechentyp einen Teil der Last übernehmen kann. Sollte sich das bestätigen, wäre es weniger ein spektakulärer Durchbruch als ein weiterer Baustein, um den wachsenden Energiehunger der KI zu bremsen. Vorerst bleibt es eine gut begründete Forschungswette – mit offenem Ausgang.
Dieser Beitrag ist eine redaktionelle Einordnung eines Forschungsprojekts und keine Bewertung einzelner Produkte oder Anbieter.