Quantum Computing Enhanced Service Ecosystem for Simulation in Manufacturing (QUASIM)
Die metallverarbeitende Industrie ist mit mehr als 390.000 Unternehmen und rund 3,7 Millionen Beschäftigten der größte sekundäre Sektor innerhalb der EU-28 (vgl. Eurostat, Sektorale Analyse der Schlüsselindikatoren). In diesem Sektor stellt die spanende Bearbeitung eine der wichtigsten Fertigungstechnologien dar.

Zahlreiche deutsche Schlüsselindustrien erwirtschaften einen großen Teil ihrer Wertschöpfung am Produkt durch die Zerspanung, wie z.B. der Werkzeug- und Formenbau, die Halbleiterindustrie oder der Motorenbau. Aufgrund der hohen Bedeutung der Zerspanung sind die betroffenen Unternehmen an einer kontinuierlichen Optimierung der Zerspanungsprozesse im Hinblick auf Qualität, Produktivität, Wirtschaftlichkeit und zunehmend auch Nachhaltigkeit interessiert.
Durch die Digitalisierung werden Bearbeitungsprozesse durch digitale Zwillinge dargestellt, die eine durchgängige Planung, Fertigung und Qualitätssicherung ermöglichen. In der industriellen Anwendung sind Modelle und Simulationen, die auf digitalen Zwillingen basieren, aufgrund ihres Rechenaufwands und des zu ihrer Bedienung erforderlichen Expertenwissens meist ausgeschlossen. Dies hat zur Folge, dass in der industriellen Praxis relevante physikalische Effekte entweder vernachlässigt oder nur durch grobe Abschätzungen angenähert werden. Darunter leidet die Qualität des digitalen Zwillings und der daraus abgeleiteten Erkenntnisse und Entscheidungen erheblich, was in vielen Fällen zu erheblichen wirtschaftlichen Nachteilen in der Industrie führt.
Aufgrund der hohen Qualitätsanforderungen und der meist erheblichen Kosten für Ausschuss ermöglichen Simulationen auf Basis von digitalen Zwillingen die Planung optimierter Bearbeitungsprozesse. Diese technologiespezifischen Simulationsmodelle stammen hauptsächlich aus den drei Kategorien Analytik (z.B. Euler-Bernoulli-Biegebalkenmodell), Numerik (z.B. Dexel-basierte Vernetzungssimulation) und zunehmend auch aus dem Bereich des maschinellen Lernens (ML) (z.B. neuronale Netze). Insbesondere die Modelle aus den Kategorien Numerik und ML bringen selbst leistungsfähige digitale Infrastrukturen regelmäßig an ihre Grenzen, da sie noch auf konventionellen Halbleiterrechnern und deren technischer Funktionalität basieren. Die daraus resultierenden langen Rechenzeiten und/oder fehlerhaften Berechnungsergebnisse erschweren auch heute noch den Transfer von kompletten Industrie 4.0-Rahmenmodellen in die Industrie. Erste Studien zeigen, dass quantenmechanische Funktionsprinzipien bei der Lösung zahlreicher algorithmischer Probleme entscheidende Vorteile haben, wie z.B. signifikante Beschleunigungen bei numerischen Verfahren und Ergebnisverbesserungen durch "Quantum Machine Learning"-basierte Ansätze.
Externer Link:
- Offizielle Website
- Interview mit Dr. Tobias Stollenwerk: LINK