Quantencomputing repräsentiert einen revolutionären Ansatz zur Berechnung, der die Prinzipien der Quantenmechanik nutzt, um Aufgaben zu erledigen, die für klassische Computer unzugänglich sind. Im Kern nutzt Quantencomputing Quantenbits oder Qubits, die sich in Überlagerungszuständen befinden können, wodurch sie mehrere Werte gleichzeitig darstellen können. Darüber hinaus können Qubits verschränkt sein, was Korrelationen zwischen ihnen ermöglicht, die für die Berechnung genutzt werden können.

Eine der vielversprechendsten Anwendungen von Quantencomputing liegt in seiner Fähigkeit, komplexe Optimierungsprobleme viel effizienter zu lösen als klassische Computer. Dazu gehören Aufgaben wie das Faktorisieren großer Zahlen, die Optimierung von Lieferketten und die Simulation molekularer Strukturen für die Arzneimittelforschung.

Derzeit befindet sich Quantencomputing noch in den Anfängen, wobei praktische Quantencomputer nur aus wenigen Qubits bestehen. Es wird jedoch erheblicher Fortschritt von Forschungseinrichtungen, Technologieunternehmen und Start-ups weltweit gemacht, um skalierbare Quantenhardware und -algorithmen zu entwickeln. Obwohl praktische Quantencomputer, die klassische Computer in bestimmten Aufgaben übertreffen können, noch in weiter Ferne liegen, schreitet das Feld schnell voran, und Quantencomputing steht kurz davor, verschiedene Branchen in den kommenden Jahren zu revolutionieren.

In unserer Forschung untersuchen wir die Fortschritte im Process System Engineering (PSE) durch die Integration von Berechnungsmethoden und -werkzeugen, um Technologien der nächsten Generation wie Support Vector Machine (SVM)-Metamodelle und Quantum Computing in PSE-Workflows einzubinden. Wir verwenden die Programmiersprache Python, um eine Schnittstelle zu schaffen, die Aspen Plus und Activity Browser, eine grafische Benutzeroberfläche für das Brightway2 LCA-Framework, miteinander verbindet, um die Prozessmodellierung, -simulation und Ökobilanzierung zu beschleunigen und gleichzeitig die Lücke zwischen Prozesssimulation und Umweltverträglichkeitsprüfung zu schließen.

Wir führen mehrere Sensitivitätsanalysen durch und verwenden das automatisierte Schnittstellen-Framework, um vorläufige ReCiPE-Indikatoren für die Ökobilanz zu erstellen. Darüber hinaus vergleichen wir die Leistung klassischer Support Vector Regression (SVR)-Modelle mit Quanten-SVR-Modellen. Wir wandeln klassische maschinelle Lernmodelle in Quantenmodelle um, indem wir parametrisierte Quantenschaltungen in den Python-Packages scikit-learn und Qiskit verwenden.

Unsere vorläufigen Ergebnisse zeigen, dass die Quanten-SVR-Funktionen eine effizientere, genauere und nachhaltigere automatisierte Prozesssimulationsoptimierung für die nächste Generation von Prozessdesign- und -bewertungsansätzen ermöglichen.