Lektion 3 - Technologien in Digital Health

„die Fähigkeit von Computern oder anderen Maschinen, intelligentes Verhalten zu zeigen oder zu simulieren; das Forschungsfeld, das sich damit befasst“

auf einer akademischen Konferenz , die 1956 vom Informatiker John McCarthy organisiert wurde

Alan Turing aus dem Jahr 1950

eine:n menschliche:n Juror:in, der:die in einem textbasierten Gespräch mit zwei verborgenen Teilnehmenden interagiert (eine maschine ein mensch)

Turing schlug vor, dass eine Maschine, die den:die Juror:in regelmäßig dazu bringen kann, zu glauben, dass sie menschlich ist, als intelligent angesehen werden sollte.

Kritiker:innen behaupten, dass der Turing-Test eher täuschendes Verhalten belohnt, wie durch verschiedene Tricks von Teilnehmenden am Loebner-Preis deutlich wird

• Künstliche „schmale“ bzw. schwache Intelligenz (artificial narrow or weak intelligence – ANI),

• Künstliche allgemeine bzw. starke Intelligenz (artificial general or strong intelligence – AGI) und

• Künstliche Superintelligenz (artificial super intelligence – ASI).

Schwache KI bezieht sich auf Intelligenz in einem spezifischen Bereich. ZB Schachspiel, der Bilderkennung oder der Inhaltsgenerierung.

ChatGPT auch schwache KI

Im Gegensatz zu Maschinen verfügen Menschen über eine allgemeine Intelligenz, also die Fähigkeit, intelligent in vielen Bereichen zu handeln und diese miteinander zu verbinden.

Das grundlegende Ziel dieser Forschung ist nicht einfach, Intelligenz zu imitieren oder ein geschicktes Ergebnis zu produzieren. Ganz und gar nicht. KI will nur das Echte: Maschinen mit Verstand im vollen und wörtlichen Sinne“

Super-KI übertrifft die menschliche Intelligenz und kann jede Aufgabe besser als Menschen ausführen. Selbstverständlich ist ihre Existenz hypothetisch. Angesichts der erheblichen Auswirkungen, die die Entwicklung von starker und Super-KI auf alle Aspekte des menschlichen Lebens haben könnte, ist sie zu einem bedeutenden Thema zeitgenössischer Diskussionen in den Bereichen Technologie, Philosophie, Ethik und Politik geworden

die klinischen Entscheidungsfindungen, unterstützt durch klinische Entscheidungsunterstützungssysteme (clinical decision support systems [CDSS]) und computergestützte Diagnosen (CAD).

• Deskriptive Analysen dienen dem Verständnis vergangener Ereignisse, etwa: „Wie viele Patient:innen wurden letzten Monat im Krankenhaus behandelt?“

• Diagnostische Analysen klären, warum etwas geschehen ist, beispielsweise: „Warum wurden letzten Monat so viele Patient:innen ins Krankenhaus eingeliefert?“

• Prädiktive Analysen zielen darauf ab, die Zukunft vorherzusagen, zum Beispiel: „Welche Patient:innen haben das höchste Risiko für eine Hospitalisierung?“

• Präskriptive Analysen haben das Ziel, einen optimalen Handlungsverlauf zu bestimmen, beispielsweise: „Was sollte geschehen, um eine Hospitalisierung zu verhindern?“

• Die natürlichen Sprachverarbeitung (Natural Language Processing [NLP]) und der

• Bilderkennung (Computer Vision [CV]) unter Verwendung von Convolutional Neural Networks (CNNs).

Heutzutage wird Deep Learning neben

• Health Analytics,

• NLP- und CV-Anwendungen weitreichend in der

• Arzneimittelforschung,

• Genomik und

• Präzisionsmedizin eingesetzt.

Natürliche Sprachverarbeitung (NLP)

• Teilbereich der Künstlichen Intelligenz (KI)

• Befasst sich mit menschlicher Sprachverwendung

• Herausforderungen: Mehrdeutigkeit und Unschärfe der Sprache

• Traditionelle maschinelle Lernansätze (z.B. logistische Regression) hatten begrenzten Erfolg

• Jüngste Fortschritte im Deep Learning führten zu erheblichen Verbesserungen (Reddy, 2021)

Praktische Anwendungen von NLP

• Automatische Spracherkennung: Umwandlung gesprochener Sprache in Text

• Sprachsynthese: Umwandlung von Text in gesprochene Sprache

• Sentimentanalyse: Bestimmung des emotionalen Tons eines Textes

• Entitätenerkennung: Identifizierung und Kategorisierung von Entitäten im Text

• Automatische Textzusammenfassung

• Automatische Fragebeantwortung

• Automatische Textklassifizierung

• Maschinelle Übersetzung

• Anwendungen in verschiedenen Bereichen, einschließlich Gesundheitswesen (Reddy, 2021)

Überwachtes Lernen:

• Definition: Lernmethode, bei der der Algorithmus mit gelabelten Daten trainiert wird.

• Daten: Jedes Trainingsbeispiel besteht aus einem Input und einem bekannten Output (Label).

• Ziel: Eine Funktion oder Regel ableiten, um neue, ungekennzeichnete Daten korrekt zu klassifizieren oder vorherzusagen.

• Beispiel: Klassifikation von E-Mails als „Spam“ oder „Nicht-Spam“, Vorhersage von Immobilienpreisen basierend auf historischen Daten.

Unüberwachtes Lernen:

• Definition: Lernmethode, bei der der Algorithmus mit ungelabelten Daten arbeitet.

• Daten: Nur Input-Daten, ohne bekannte Outputs oder Labels.

• Ziel: Strukturen, Muster oder Gruppen in den Daten erkennen und verstehen.

• Beispiel: Clusteranalyse zur Kundensegmentierung, Dimensionsreduktion zur Datenvisualisierung.

Bestärkendes Lernen:

• Definition: Lernmethode, bei der ein Agent durch Interaktionen mit seiner Umgebung lernt.

• Daten: Kein explizites Set an Input-Output-Paaren; der Agent erhält Belohnungen oder Strafen basierend auf seinen Aktionen.

• Ziel: Strategien entwickeln, um langfristige Belohnungen zu maximieren.

• Beispiel: Ein Roboter, der lernt, ein Labyrinth zu durchqueren, Spiele wie Schach oder Go spielen.

Vergleich:

• Überwachtes Lernen: Notwendigkeit von gelabelten Daten; Vorhersage und Klassifikation.

• Unüberwachtes Lernen: Kein Bedarf an gelabelten Daten; Mustererkennung und Strukturentdeckung.

• Bestärkendes Lernen: Lernprozesse basierend auf Belohnungen und Bestrafungen; Entscheidungsfindung und Strategieentwicklung.

Zusammenfassung: Deep Learning (DL)

• Definition: Deep Learning (DL) ist ein Bereich des maschinellen Lernens (ML), inspiriert von der Struktur und Funktionsweise des menschlichen Gehirns.

• Vergleich zu ML: Besser geeignet für unstrukturierte Daten durch automatische Merkmalsextraktion aus Rohdaten, während traditionelle ML-Algorithmen manuelle Anpassungen benötigen.

• Geschichte: Forschung begann in den 1940er-Jahren mit künstlichen neuronalen Netzwerken (KNN), heute als „Deep Learning“ bekannt.

• KNN Struktur:

  • Besteht aus künstlichen Neuronen (Knoten), organisiert in Schichten.

  • Enthält eine Eingabeschicht, eine oder mehrere versteckte Schichten und eine Ausgabeschicht.

  • „Deep“ bezeichnet Netzwerke mit mehr als drei Schichten.

Neuronales Netzwerk

Neuronales Netzwerk des Deep Learning

Natürliche Sprachverarbeitung (NLP)

• Teilbereich der Künstlichen Intelligenz (KI)

• Befasst sich mit menschlicher Sprachverwendung

• Herausforderungen: Mehrdeutigkeit und Unschärfe der Sprache

• Traditionelle maschinelle Lernansätze (z.B. logistische Regression) hatten begrenzten Erfolg

• Jüngste Fortschritte im Deep Learning führten zu erheblichen Verbesserungen (Reddy, 2021)

Praktische Anwendungen von NLP

• Automatische Spracherkennung: Umwandlung gesprochener Sprache in Text

• Sprachsynthese: Umwandlung von Text in gesprochene Sprache

• Sentimentanalyse: Bestimmung des emotionalen Tons eines Textes

• Entitätenerkennung: Identifizierung und Kategorisierung von Entitäten im Text

• Automatische Textzusammenfassung

• Automatische Fragebeantwortung

• Automatische Textklassifizierung

• Maschinelle Übersetzung

• Anwendungen in verschiedenen Bereichen, einschließlich Gesundheitswesen (Reddy, 2021)

NLP im Gesundheitswesen

• Digitalisierung klinischer Informationen aus handschriftlichen Notizen oder Video-/Audio-Daten

• Extraktion entscheidender Informationen aus umfangreichen digitalen Gesundheitsdaten, z.B. elektronischen Patientenakten

• Zeitersparnis bei der Analyse umfangreicher Dokumente durch automatische Textzusammenfassung

Sentimentanalyse

• Einsatz in Unternehmen zur Analyse von Kundenfeedback (einschließlich sozialen Medien)

• Anwendung im Patientenmanagement und Gesundheitsmarketing zur Patientenerfahrungsanalyse

Persönliche und virtuelle Assistenten

• Einsatz in Gesundheitsversorgung (computergestütztes Wohnen, Prävention, Gesundheitsmanagement)

• Beispiel: WHO's Florence 2.0 (digitale Gesundheitsberaterin, unterstützt gesunden Lebensstil, Beratung zu Stressbewältigung, Substanzverzicht, Covid-19-Impfungen) (World Health Organization, 2022f)

Generative KI und Chatbots im Gesundheitswesen

• Verwendung weniger komplexer Chatbots in Prävention, Pflege, psychischer Gesundheit, Gesundheitsmanagement

• Exponentieller Anstieg der Verwendung im Bereich psychische Gesundheit

• Potenzielle Lösung für Mangel an Psychotherapeuten

• Begrenzte klinische Evidenz zur Wirksamkeit (Abd-Alrazaq et al., 2020)

Computer Vision (CV)

• Definition: Teilbereich der Künstlichen Intelligenz (KI), der die menschliche Fähigkeit des Sehens nachahmt

• Ziel: Erkennung und Interpretation von Bildern und Objekten mittels Bild- und Videodaten

• Komplexität: Sehkraft scheint mühelos für Menschen, aber komplex für Computer

Technologien und Methoden

• Haupttechnologie: Deep-Learning-Algorithmen, speziell Convolutional Neural Networks (CNN)

• Analyseprozess:

  • Grundlegende Merkmale (Punkte, Linien, Kanten) in den ersten Schichten

  • Komplexere Merkmale und Kategorisierung in den tieferen Schichten (Goodfellow et al., 2016; Reddy, 2021)

Anwendungsgebiete

• Gesichtserkennung: Reproduktion menschlicher visueller Fähigkeiten

• Erweiterte visuelle Fähigkeiten: Innovative Anwendungen

Gesundheitswesen

• Bildinterpretation:

  • Röntgenaufnahmen, CT-Scans, MRTs, Fundoskopie, Histopathologie

  • Pneumonie- und Tumorerkennung, oft effektiver als Radiologen (Ardila et al., 2019)

• Dermatologie: Unterstützung bei der Diagnose von Hautkrebs

• Gesichtserkennung in klinischen Studien:

  • Überwachung der Medikamenteneinnahme durch Patient

    mittels AiCure-App

Chirurgie

• Echtzeit-Analyse: Operative Videos und Bilder zur Unterstützung von Chirurg

• Anwendungen: Ausbildung, automatische Bluterkennung bei laparoskopischen Operationen (Hua et al., 2022)

Robotik

• Umgebungswahrnehmung: Identifizierung von Objekten ähnlich der menschlichen Sehkraft

• Einsatzgebiete: Fertigung, Logistik, Gesundheitswesen, eigenständiges Agieren von Robotern in verschiedenen Umgebungen

KI-gestützte Robotik

• Definition: Entwicklung von Maschinen, die komplexe Aufgaben bewältigen und von Computern gesteuert werden

1. Feste Roboter: Klare, definierte Umgebungen (z.B. Industrieroboter)

2. Mobile Roboter: Unsichere und weniger vorhersehbare Umgebungen

Einsatz im Gesundheitswesen

• Chirurgie: Verwendung in Operationen

• Krankenhäuser: Unterstützung bei nicht-klinischen Aufgaben

• Pflegeeinrichtungen: Unterstützung älterer Menschen

• Kinderbetreuung: Einsatz bei psychischen Störungen wie Autismus (Kyrarini et al., 2021)

1. Pflegeroboter:

   • Überwachung und Unterstützung älterer Erwachsene

   • Aufgaben: Überreichen von Objekten, Unterstützung beim Essen, Unterhaltung

2. Krankenhaus-Service-Roboter:

   • Nicht-klinische Aufgaben (z.B. Bereitstellung von Gegenständen)

3. Rehabilitationsroboter:

   • Unterstützung bei therapeutischen Übungen

   • Meist nicht KI-basiert

4. Assistenzroboter für Menschen mit körperlichen Beeinträchtigungen:

   • Unterstützung im Alltag bei verschiedenen Aktivitäten (Kyrarini et al., 2021)

Konventionelle vs. KI-unterstützte Chirurgie

• Konventionelle robotergestützte Chirurgie:

  • Chirurg

    steuert manuell robotische Arme

  • Seit den 1980er-Jahren verbreitet

• KI-unterstützte Chirurgie:

  • Automatisierte oder halbautomatisierte Operationen

  • Noch in der Forschungsphase

Pflegeroboter und ethische Diskussionen

• Demografischer Wandel: Zunehmende ältere Bevölkerung und Personalmangel in Pflegeeinrichtungen

• Humanoide Roboter:

  • Sophia (2016): KI-basierter Roboter mit Staatsbürgerschaft Saudi-Arabiens

  • Grace (2022): Humanoide Krankenschwester zur Unterstützung von Gesundheitsfachkräften

    • Aufgaben: Unterstützung bei Diagnosen, einfache Behandlungen, Unterhaltung, Gesprächstherapie

• Pilotprojekt in Kanada (2022):

  • Ziel: Untersuchung der Wirkung von Grace auf Einsamkeit älterer Menschen

  • Intensive öffentliche Diskussion über ethische Implikationen

  • Psychologische und ethische Risiken beim Einsatz von Robotern in traditionellen menschlichen Bereichen (Jonas, 2022)

Definition von Bias:

• Neigung oder Vorliebe für oder gegen etwas, die unbewusst (implizit) oder bewusst (explizit) sein kann (VandenBos, 2007).

Automatisierungsbias:

• Übermäßiges Vertrauen in maschinelle Entscheidungen, wobei widersprüchliche Informationen ignoriert werden.

• Algorithmen sind nicht neutral und ihre Ergebnisse hängen stark von der Qualität der Daten ab ("garbage in, garbage out").

Herausforderungen im Bereich des maschinellen Lernens (ML)

• Stereotypen und Vorurteile in Daten:

  • Maschinen reproduzieren Stereotypen aus den Trainingsdaten.

  • Beispiel: Ein Algorithmus für Textanalyse könnte Geschlechterstereotypen wie „Mann – Chirurg, Frau – Krankenschwester“ reproduzieren.

• Repräsentativität des Datensatzes:

  • Ungenaue Erkennung bei nicht repräsentativen Datensätzen.

  • Beispiel: Gesichtserkennungssoftware, die hauptsächlich mit weißen Gesichtern trainiert wurde, hat Schwierigkeiten bei anderen ethnischen Gruppen (Crawford, 2021).

• Kategorisierung von Daten:

  • Herausforderung bei der Definition und Messung von Erfolg oder Leistung.

  • Beispiel: Ein KI-System, das erfolgreiche Bewerber

    auswählen soll, muss klar definieren, was Erfolg bedeutet.

Beispiel: Norman, die psychopathische KI

• Entwicklung durch MIT:

  • Trainiert auf verstörende Inhalte aus einem Subreddit-Forum.

  • Zeigte extreme und gewalttätige Interpretationen von Bildern im Vergleich zu Standard-KI.

  • Verdeutlicht das Problem von voreingenommenen Trainingsdaten (Massachusetts Institute of Technology, 2022).

Lösungsvorschläge und Herausforderungen

• Verwendung repräsentativer und unvoreingenommener Daten:

  • Schwierige Aufgabe, die oft manuelle Überprüfung der Daten erfordert.

  • Beispiel: Niedrig bezahlte Arbeiter

    in Kenia überprüfen störende Inhalte für ChatGPT-Training (Perrigo, 2023).

• Ethik und Voreingenommenheit in der KI:

  • Selbst bei manueller Datenüberprüfung bleibt Bias ein Problem.

  • Dokumentierte KI-Fehlschläge:

    • Fehlerhafte Klassifizierung von Schwarzen Gesichtern.

    • Rassistische und frauenfeindliche Sprache in Chatbots.

    • Spracherkennungssoftware mit Schwierigkeiten bei weiblichen Stimmen.

    • Geschlechterdiskriminierung bei Jobanzeigen auf sozialen Medien (Crawford, 2021).

• Geschlechtliche Vielfalt im maschinellen Lernen:

  • Notwendigkeit der Förderung geschlechtlicher Vielfalt, um Bias zu erkennen und zu lösen (Leavy, 2018).

• Strukturelle Machtverhältnisse in KI-Systemen:

  • KI-Systeme spiegeln bestehende Machtstrukturen wider und bedienen dominante Interessen.

  • KI ist stark von politischen und sozialen Strukturen abhängig und nicht autonom oder rational (Crawford, 2021).

Die Hauptteilbereiche der KI umfassen: Maschinelles Lernen (ML), Natürliche Sprachverarbeitung (NLP), Computer Vision (CV) und KI-gestützte Robotik.

Ein wesentlicher Kritikpunkt in der aktuellen Diskussion über KI ist der algorithmische Bias, der auf die Tendenz von KI-Systemen verweist, bestimmte Gruppen von Menschen aufgrund von Merkmalen wie Rasse, Geschlecht oder sozioökonomischem Status zu diskriminieren.

Kryptografische Hashfunktion

Eine kryptografische Hashfunktion (CHF) ist ein Algorithmus, der eine Eingabe beliebiger Länge in einen verschlüsselten Ausgabewert fester Länge, auch als Hashwert bezeichnet, umwandelt.

1. Öffentliche Blockchains: Jeder kann am Netzwerk teilnehmen und die Transaktionen validieren. Sie sind dezentralisiert und transparent.

2. Private Blockchains: Der Zugang ist auf bestimmte Teilnehmer

   beschränkt, was eine höhere Kontrolle und Privatsphäre ermöglicht.

3. Konsortiale Blockchains: Eine Gruppe von Organisationen verwaltet gemeinsam das Netzwerk, was eine Mischung aus Dezentralisierung und zentraler Kontrolle bietet.

1. Management von elektronischen Patientenakten,

2. Koordination der pharmazeutischen Lieferkette,

3. Förderung biomedizinischer Forschung und Bildung,

4. Unterstützung des Telemonitorings von Patient:innen,

5. Abwicklung von Krankenversicherungsansprüchen und

6. Durchführung von Gesundheitsdatenanalysen.

Öffentliche (permissionless) Blockchain

• Zugänglichkeit: Jeder kann teilnehmen.

• Beispiel: Bitcoin, über 10.000 Knoten.

• Merkmale: Dezentralisierung, Demokratisierung, Transparenz.

• Sicherheitsrisiko: 51%-Angriff.

• Proof-of-Work (PoW): Hoher Energieverbrauch, langsam (ca. 10 Minuten pro Block), Zentralisierung des Minings.

• Leistungsfähigkeit: Gering, problematisch für Skalierbarkeit.

• Praktische Anwendungen: Vorwiegend Kryptowährungen.

• Kritik: Hohe Ineffizienz, oft keine Lösung für bestehende Sicherheitsprobleme (Schneier, 2019).

Genehmigte (permissioned) Blockchain

• Zugang: Einschränkung durch zentrale Autorität.

• Typen: Private Blockchain, Konsortium-Blockchain, Hybrid-Blockchain.

• Merkmale: Zentrale Kontrolle, schnelle Aktualisierungen.

• Konsensmechanismen: Oft nicht notwendig.

• Vorteile: Hohe Leistungsfähigkeit, geringer Energieverbrauch, bessere Skalierbarkeit.

• Nachteile: Verlust von Dezentralisierung, Transparenz und Demokratisierung, anfällig für Cyberangriffe.

• Vergleich: Ähnlich wie zentralisierte Datenbanken, oft überflüssig (Schneier, 2022).

1. Public Blockchain: Innovativ, aber ineffizient und schwer skalierbar.

2. Permissioned Blockchain: Effizienter, aber weniger innovativ und zentralisiert.

1. Public Blockchain (Öffentliche Blockchain):

   • Nicht geeignet für: Hochsensible Patientendaten.

   • Probleme: Sicherheitsrisiken, geringe Leistungsfähigkeit, Skalierbarkeit, ineffizient bei großen Dateien.

   • DSGVO-Konflikt: „Recht auf Vergessenwerden“ (Art. 17) nicht umsetzbar.

   • Studie: Datensicherheit, -schutz, Interoperabilität, Skalierbarkeit und Leistung bleiben Herausforderungen (Agbo et al., 2019).

   • Kritik: Mehr Herausforderungen als Lösungen im Gesundheitswesen (El-Gazzar & Stendal, 2020).

2. Estland und Blockchain im Gesundheitssektor:

   • Projekt: e-Estonia, Nutzung von KSI-Blockchain (Keyless Signature Infrastructure) im Gesundheitswesen.

   • Positive Darstellung: „KSI Blockchain provides truth over trust“.

   • Untersuchung: Tatsächlich genehmigte, zentralisierte Blockchain, nicht dezentralisiert.

   • Kritik: Stärkung zentralisierter Praktiken, mögliche Aufrechterhaltung zentraler Kontrolle.

   • Bedenken: Datenschutzrechte, staatliche Kontrolle (Interviewpartner aus Tallinn).

   • Schlussfolgerung: Keine Lösung für institutionelles Vertrauen oder Korruption, Nutzung für politisch gewünschte Narrative.

3. Gesamtausblick:

   • Technologieeinsatz: Kritische Prüfung notwendig.

   • Notwendigkeit: Unvoreingenommene Betrachtung und kritische Prüfung der potenziellen Auswirkungen auf die Gesellschaft.

Der Hauptunterschied zwischen der öffentlichen (permissionless) und genehmigten (permissioned) Blockchain besteht darin, dass die öffentliche Blockchain es jeder Person erlaubt, am Netzwerk teilzunehmen, während die genehmigte Blockchain den Netzwerkzugang auf eine spezifische Gruppe von genehmigten Teilnehmenden beschränkt.

In der Gesundheitsbranche stehen der Blockchain vier wesentliche Herausforderungen gegenüber: die Sicherstellung der Datensicherheit, die Erreichung von Skalierbarkeit, das effektive Management von Transparenz sowie die Herausforderung der Unveränderlichkeit von Daten.

Quantensensorik (QS):

• Definition: Nutzung von Quanteneffekten zur Datenerfassung.

Zentrale Konzepte:

• Unsicherheitsprinzip: Position und Geschwindigkeit eines Teilchens nicht genau messbar.

• Verschränkung: Teilchen interagieren über große Entfernungen hinweg.

• Superposition: Teilchen können gleichzeitig in mehreren Zuständen sein.

Eigenschaften der Quantensensoren:

• Winzige Größe.

• Erfassung von: Magnetfeldern, elektrischen Feldern, Gravitation, Temperatur, Druck, Rotation, Beschleunigung, Zeit.

• Hohe Präzision: Messungen sind genauer als bei herkömmlichen Sensoren.

• Anwendungsbereiche: Luft- und Raumfahrt, Geheimdienst, Militär, Gesundheitswesen.

Potenzial im Gesundheitswesen:

• Erkennung und Behandlung von Krankheiten.

• Beispielprojekte:

  • Messung freier Radikale: Indikatoren für Krebs, Herz-Kreislauf-Erkrankungen, Infektionen.

  • Medizinische Bildgebung:

    • Optisch gepumpte Magnetometer (OPMs).

    • Tragbare Magnetoenzephalographie-Systeme: Verbesserte Gehirnbildgebung, ermöglicht freie Bewegung während der Untersuchung.

Quantencomputing (QC):

• Kombination von Quantenphysik und Informatik.

• Entwicklung:

  • 1980: Paul Benioff entwickelt quantenmechanische Turing-Maschine.

  • 1981: Richard Feynman erkennt Potenzial für Quantencomputersimulationen.

  • 1985: David Deutsch definiert universellen Quantencomputer.

• Kernprinzipien:

  • Superposition: Qubits können mehrere Zustände gleichzeitig einnehmen.

  • Verschränkung: Qubits sind miteinander verbunden und interagieren unabhängig von der Entfernung.

Qubits vs. klassische Bits:

• Klassische Bits: Zustand 0 oder 1.

• Qubits: Können durch Superposition eine unendliche Anzahl von Zuständen repräsentieren.

• Messung: Qubits nehmen bei Messung einen Zustand (0 oder 1) an.

Quantenvorteil (Quantum Supremacy):

• Google 2019: 53-Qubit-Sycamore-Prozessor führte Berechnung in 200 Sekunden durch (klassischer Supercomputer: 10.000 Jahre).

• Kritik: IBM behauptete, dass Supercomputer die Aufgabe in 2,5 Tagen lösen könnten. Aufgaben ohne konkrete Anwendungen.

• Aktueller Stand: Verwendung des Begriffs „Quantenvorteil“ anstelle von „Quantenüberlegenheit“.

Anwendungsbereiche von QC:

• Medikamentenentwicklung: Modellierung atomarer Interaktionen und Berechnung molekularer Eigenschaften.

• Finanzportfolio-Optimierung.

• Quantum Machine Learning (QML):

  • Mustererkennung in medizinischen Daten.

  • Fortschritte in klinischer Entscheidungsunterstützung, Diagnosesystemen, medizinischer Forschung, Genomik, Präzisionsmedizin.

Praktische Herausforderungen des Quantencomputing

Technologische Herausforderungen:

1. Dekohärenz:

   • Quantencomputer sind extrem empfindlich gegenüber Umweltstörungen, die zu einem schnellen Verlust der quantenmechanischen Eigenschaften der Qubits führen.

   • Dekohärenz verursacht Rauschen, was die Präzision und Robustheit der Quantenberechnungen beeinträchtigt.

   • Supraleitende Qubits und Ionenfallen sind derzeit die am meisten erforschten Systeme.

     • Supraleitende Qubits: Benötigen eine Kühlung auf 10–20 Millikelvin, dekohärieren in Mikrosekunden.

     • Ionenfallen: Erfordern eine Kühlung auf wenige Kelvin über dem absoluten Nullpunkt.

2. Kryogene Umgebung:

   • Quantencomputer benötigen teure, energieintensive kryogene Umgebungen, was die Skalierung erschwert.

3. Fehlerkorrektur und Rauschproblem:

   • Quantencomputer sind besonders anfällig für Störungen, die zu Fehlern führen.

   • Fehlerkorrekturen erfordern eine größere Anzahl an Qubits, was zusätzliche praktische Herausforderungen mit sich bringt.

   • Skalierung der Qubit-Anzahl ist notwendig; IBM hat 2022 den Quantencomputer "Osprey" mit 433 Qubits entwickelt.

   • Kommerziell relevante Quantencomputer benötigen mehrere hunderttausend bis Millionen Qubits.

Quantenskepsis:

• Gegenwärtige Anwendungen:

  • Hauptanwendungen von Quantencomputern liegen in der Forschung und akademischen Studien.

  • Einige Branchen und Organisationen erkunden potenzielle praktische Anwendungen.

• Zweifel an der Überwindung praktischer Herausforderungen:

  • Zweifel am Potenzial zur Überwindung der praktischen Herausforderungen, wie Dekohärenz und Skalierung.

  • "Quantenwinter": Szenario, bei dem Quantencomputer das Rauschproblem nicht lösen können und keinen wesentlichen quantenbasierten Vorteil erzielen.

  • Zukünftige vielversprechende Quantentechnologien: Quantensensorik und -kommunikation.

Meinungen und Prognosen:

• Skepsis von Forschern:

  • Mikhail Dyakonov: Skepsis gegenüber der praktischen Realisierbarkeit von Quantencomputern.

  • Zukunft von Quantencomputing: Spezialisierte, teure Quantengeräte bei extrem niedrigen Temperaturen.

Gegenwärtig gilt die Anwendung von Quantensensorik als besonders vielversprechend im Bereich des Gesundheitswesens.

Die zentralen Herausforderungen beinhalten die Schaffung und Aufrechterhaltung einer kryogenen Umgebung, die Bewältigung von Rauschproblemen und die Entwicklung effektiver Quantenalgorithmen.