de.wedoany.com-Bericht: Am 5. Juni 2026 haben Classiq, ein Entwickler von Quantensoftware-Engineering, und die Pontificia Universidad Católica de Chile (UC Chile) gemeinsam ein zwölfmonatiges Forschungsprogramm gestartet, das hybride Quanten-Klassik-Maschinenlernalgorithmen für die erweiterte biomedizinische Bildanalyse entwickeln soll. Das Projekt, das durch den Wettbewerb Avanza UC 2025 finanziert wird und den Titel „Verbesserung der Pathologie durch Quantencomputing“ trägt, etabliert das erste Rechenpathologie-Konsortium Lateinamerikas.
Das Projekt integriert die automatische Schaltungsentwicklungsplattform von Classiq mit der hybriden CUDA-Q-Infrastruktur von NVIDIA und nutzt ausgewählte histopathologische Datensätze brasilianischer Forschungseinrichtungen, darunter die Fundação Oswaldo Cruz (FIOCRUZ) und die Universidade Federal da Bahia (UFBA). Der Co-Design-Fahrplan adressiert die Herausforderungen der hohen Dimensionalität und Merkmalskomplexität von Ganzschnitt-Gewebebildern, die klassische Computer-Vision-Architekturen bei Pixel-segmentierungsaufgaben belasten. Anstatt sich vollständig auf tiefe klassische neuronale Netze zu verlassen, entwickelte das Forschungsteam eine für die Nierenpathologie optimierte hybride Quanten-Maschinenlern-Pipeline (Quantum Machine Learning, QML). Diese nutzt die abstrakte Funktionsmodellierungsumgebung von Classiq, um spezialisierte Quanten-Netzwerktopologien automatisch zu synthetisieren und zu optimieren, wodurch die Einschränkungen der manuellen Gatterebenenprogrammierung umgangen werden.
Der gemeinsame Rechenpathologie-Workflow konzentriert sich auf drei klinische Analyseziele. Quanten-Convolutional-Neuronale-Netze (Quantum Convolutional Neural Networks, QCNNs) passen Quanten-Faltungsschichten an, um hochauflösende strukturelle Merkmale zu komprimieren und die automatische Glomerulussegmentierung in komplexen Gewebeproben zu optimieren. Variationale Quantenklassifikatoren (Variational Quantum Classifiers, VQCs) wenden parametrisierte variationale Quantenlogikzustände an, um Mehrklassen-Klassifikationsmodelle für Nierenläsionen durchzuführen. Quanten-Kernel-Methoden (Quantum Kernel Methods) nutzen hochdimensionale Quantenzustandsräume für semantische Mustersuchen, um subtile diagnostische Anomalien in dichten histologischen Schnitten zu isolieren.
Der kompilierte Software-Stack wird über eine einheitliche Laufzeitumgebung ausgeführt. Die hybriden Algorithmen werden mit der NVIDIA CUDA-Q-Plattform kompiliert, was eine Datenweiterleitung mit geringer Latenz zwischen Coprozessoren ermöglicht. Dieses Framework erlaubt es dem Team, hochgenaue Algorithmussimulationen auf klassischer NVIDIA-AI-Supercomputing-Infrastruktur durchzuführen und anschließend optimierte, hardwarebereite Schaltungen auf die Ionenfallen-Quantenverarbeitungseinheiten (Quantum Processing Units, QPUs) von IonQ für physikalische Benchmarktests zu übertragen.
Die Partnerschaft schafft einen operativen Ankerpunkt für fortgeschrittene Rechenanwendungen im südamerikanischen Medizintechnologiesektor und steht in direktem Einklang mit der chilenischen „Nationalen Strategie für Quantentechnologien 2025–2035“. Das Projekt wird von Dr. Dardo Goyeneche von der Fakultät für Physik der Pontificia Universidad Católica de Chile geleitet – der gleichzeitig die QuDIT-Forschungsgruppe und das chilenische Quantencomputer-Bauprojekt QuAntü leitet – und von Dr. Daniel Uzcátegui von der Universidad Católica de la Santísima Concepción (UCSC) unterstützt. Durch die Einbettung der hardwareunabhängigen Kodierungsschicht von Classiq in regionale Gesundheitsversorgungs-Pipelines schafft das Programm einen validierten Rahmen, um aufkommende Quantenvorteile direkt in aktive öffentliche Gesundheitsdiagnosewerkzeuge zu bringen.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
