Theodora Drăgan deutet auf einen Roboter-Arm in einem der Labore am Fraunhofer-Institut für Kognitive Systeme (IKS) – in der Zukunft ganzen Horden von Robotern beizubringen, sich effizient zu organisieren, das wäre ein Traum für sie. Theodora ist Wissenschaftliche Mitarbeiterin am Fraunhofer IKS und forscht dort an klassischem und Quanten-Maschinenlernen. Ihr Blick ist dabei immer auf mögliche Anwendungen gerichtet.

„Mein Weg hat mich gefunden, nicht umgekehrt“, erzählt Theodora von ihren Anfängen im Bereich Quantencomputing und bezeichnet sich selbst als Glückspilz. Nach ihrem Bachelorabschluss in Informatik und Ingenieurwissenschaften in Rumänien kam die 26-jährige vor vier Jahren nach Deutschland, um an der TU München ein Masterstudium in Informatik anzuschließen. Die Vorlesung zur Einführung in Quantencomputing begeisterte Theodora sofort. Von da an belegte sie jeden möglichen Kurs im Bereich Quantencomputing, für Theodora die perfekte Mischung aus Informatik und Physik. „Ich habe die Vorlesungen wirklich geliebt und mein Professor war großartig!“. Dieser Professor, Christian Mendl, betreute schließlich auch ihre Masterarbeit zum Thema Quantum Reinforcement Learning, welche Theodora am Fraunhofer IKS schrieb. Hier war es die "fantastische Führung von Jeanette Lorenz", so Theodora, die ihre weitere Arbeit maßgeblich prägte. 

Quantum Reinforcement Learning erklärt Theodora gerne am Beispiel der Maus im Labyrinth, die den richtigen Weg finden muss, um an ein Stück Käse zu kommen. Im Reinforcement Learning geht es um die Idee, dass ein Agent, ein in gewissem Maße eigenständiges Computerprogramm, durch Interaktionen lernt, eine bestimmtes Umgebungsproblem, im Beispiel das Labyrinth, zu lösen. Für die richtige oder beste Lösung gibt es eine Belohnung – im Fall der Maus ist das der Käse. Theodoras Maus ist ihr Algorithmus. Doch wie sieht eine Belohnung für einen Algorithmus aus? Eine Funktion bestimmt, welche Handlungen gut oder schlecht sind. „Es ist eigentlich genau das Gleiche wie bei der Maus“, erklärt die Wissenschaftlerin, „nur ist es hier eine Zahl, nicht mehr und nicht weniger. Wenn du gut performst, ist das deine Belohnung: eine höhere Zahl“, erzählt Theodora mit einem Lächeln. Man könne das auch als die Genauigkeit eines neuronalen Netzwerks verstehen. Neuronale Netzwerke sind Programme für maschinelles Lernen, die von den Netzwerken aus biologischen Neuronen im menschlichen Gehirn inspiriert sind. Theodoras Arbeit konzentriert sich darauf, die neuronalen Netzwerke, die Input aus der Umgebung verarbeiten, um die richtige Entscheidung zu finden, mit verschiedenen Quantenschaltkreisen zu ersetzen. Das ist die eine Seite des Quantum Reinforcement Learning. „Auf der anderen Seite versuchen wir, das Rauschen und die Überlagerung, die es in Quantenschaltkreisen gibt, auszunutzen, um beispielsweise die Unsicherheit in menschlichen Entscheidungen zu imitieren“, erklärt Theodora.

Schnellere Lösungen mit weniger Interaktionen finden

Ihr Interesse dafür, wie Dinge im Innersten funktionieren, entdeckte Theodora schon früh. Ihr Vater, ein Netzwerkingenieur, brachte gerne Computer mit nachhause und baute sie auseinander, während Theodora zusah. „Ich fand das ziemlich faszinierend“, erzählt die 26-jährige, „daher wollte ich als Kind IT-Ingenieurin werden, wie mein Vater.“ Ihre Arbeit konzentriert sich mittlerweile weniger auf die Hardware, doch ihre ursprüngliche Studienwahl in den Ingenieurswissenschaften rührt daher. „Ich habe nie konkret davon geträumt, Wissenschaftlerin zu werden, aber ich habe immer davon geträumt, Antworten auf schwierige Fragen zu finden“, beschreibt Theodora ihren weiteren Weg. Genau das ist es auch, was sie am Thema Quantencomputing so fasziniert: Die Neuartigkeit und die Möglichkeit, neue Wege zu erkunden – und dabei regelmäßig in Frage zu stellen, was sie über die Physik und die Informatik glaubt zu wissen.

Sobald Theodora an Algorithmen arbeitet, ist es jedoch gar nicht so entscheidend, ob sie einen klassischen oder einen Quantenalgorithmus schreibt, da das Level an Abstraktion dabei ohnehin so hoch ist. „Man kann auch in klassische Reinforcement Learning Umgebungen seine Quantenschaltkreise einfach integrieren. Das ist kein Problem“, erklärt sie. Der Vorteil von Quantenschaltkreisen, auf den Theodora hofft, ist, dass ein Agent für das Lernen weniger Interaktionen mit der Umwelt benötigt, denn solche Interaktionen können teuer sein: „Gerade wenn wir an medizinische Anwendungen denken, kann der Agent nicht wieder und wieder mit der Umwelt interagieren, denn die Umwelt ist der Patient.“ In einem Paper, das Theodora und ihre Kolleg:innen letztes Jahr veröffentlicht haben, konnten sie zeigen, dass Quantum Reinforcement Learning bei einem Wegeplanungsproblem besser abschnitt als das klassische Pendant. „Und zwar deutlich besser“, betont Theodora und freut sich sichtlich. „Ich konnte eindeutig sehen, dass die Quantenlösung schneller lernte.“ Was Theodora in ihrer Forschung antreibt, ist das Streben nach Exzellenz, das sie auch an Jeanette Lorenz beobachtet und bewundert. „Es motiviert mich ungemein, sehr sicher in meiner Forschung zu sein, das Vertrauen in das, was ich tue, zu haben“, erzählt sie. Dafür nimmt es die Wissenschaftlerin auch in Kauf, mal bis spät abends an ihrem Schreibtisch zu sitzen, um ein kompliziertes Problem zu lösen. Je mehr Aufwand sie in ein Projekt steckt, desto stolzer machen sie am Ende auch die Ergebnisse.