Am 31.10.2026 richtet sich der Blick an der TU Freiberg auf ein Thema, das gern nach Science-Fiction klingt, längst aber in Stromnetzen, Fabriken und Rechenzentren angekommen ist: Quantencomputing. Aqarios Quantum Technologies AG hat Förderzusagen für drei öffentlich geförderte Forschungsprojekte ihrer Tochtergesellschaft Aqarios GmbH erhalten. HyQInt, Q-NextGrid und IgnisQNC starten im Herbst 2026 und laufen jeweils drei Jahre bis Herbst 2029.

Für HyQInt und Q-NextGrid kommt das Geld vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR), IgnisQNC wird über das europäische Programm QuantERA gefördert. Insgesamt erhält Aqarios Fördermittel im mittleren sechsstelligen Euro-Bereich. Die Projekte laufen in Konsortien aus Unternehmen und Forschungseinrichtungen: Die Fördergeber übernehmen einen Teil der Kosten, den übrigen Anteil tragen die Projektpartner.

Drei Projekte, eine Plattform

In allen drei Vorhaben bringt Aqarios seine Softwareplattform Luna ein. Anwendungen, die im Projekt entstehen, sollen anschließend als Produktbestandteile in Luna integriert werden. Die Plattform verbindet klassische Optimierung mit Quantencomputing und soll Industrieunternehmen die Nutzung heutiger und künftiger Rechentechnologien ermöglichen, ohne dass dafür spezielle Quantenexpertise nötig ist.

Die Aqarios Quantum Technologies AG hält 100 Prozent an der Aqarios GmbH. Diese wurde 2021 als Spin-off der LMU München gegründet und entwickelt anwendungsorientierte Quantensoftware. Luna verbindet klassische Rechner, Simulatoren und Quantenhardware verschiedener Anbieter. Eingesetzt wurden Anwendungen unter anderem für BASF, BMW, E.ON, MTU Aero Engines, SAP, Schaeffler und Siemens; als Quantencomputer kamen dabei Geräte von IBM, IonQ und D-Wave zum Einsatz. Aqarios und Luna erhielten außerdem unter anderem den Quantum Effects Award 2025 in der Kategorie Quantencomputing-Software und -Algorithmen.

Das erste neue Vorhaben, HyQInt, will quantenbasierte Optimierung direkt aus industriellen Simulationswerkzeugen heraus nutzbar machen. Ingenieure sollen die Verfahren verwenden können, ohne vorher einen Crashkurs in Quantencomputing absolvieren zu müssen. Konsortialführer ist der Lehrstuhl FAPS der Friedrich-Alexander-Universität Erlangen-Nürnberg. Mit dabei sind das Fraunhofer IISB und Siemens, das den industriellen Anwendungsfall beisteuert.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Aqarios stellt Luna als Plattform bereit. Darüber werden klassische Rechner, Simulatoren und Quantenhardware verschiedener Anbieter angebunden. Verglichen werden die Verfahren mit reproduzierbaren Benchmarks zu Lösungsqualität, Laufzeit und Kosten. HyQInt bindet Luna außerdem an einen BMFTR-geförderten Software-Stack für die industrielle Nutzung von Quantencomputing an.

Q-NextGrid nimmt sich der Netze an. Entwickelt werden fortgeschrittene Quantenoptimierungsmethoden für Netzbetreiber, insbesondere zur Vermeidung von Stromnetzengpässen und zur Planung des Netzausbaus. Konsortialführer ist E.ON, weiterer Partner die LMU München. Aqarios entwickelt an den Verfahren mit, setzt sie in ausführbare Software um und testet sie auf Quantenhardware verschiedener Anbieter. Auch diese Methoden werden in Luna integriert und an den BMFTR-geförderten Software-Stack angebunden.

IgnisQNC ist internationaler aufgestellt. Das QuantERA-Projekt entwickelt quantenbasierte KI-Verfahren, die datengetriebene Anwendungen bereits auf heutiger Quantenhardware ohne vollständige Fehlerkorrektur ausführen sollen. Koordinator ist die Lancaster University; den deutschen Verbund koordiniert die LMU München. Weitere Partner sind die TU Bergakademie Freiberg und die Universidad Pablo de Olavide in Sevilla. Aqarios erprobt die Verfahren über Luna auf realer Quantenhardware, vergleicht die Ergebnisse mit klassischen Referenzverfahren und macht sie über Luna für die industrielle Nutzung zugänglich.

Was im Energiesystem auf dem Prüfstand steht

Wie solche Verfahren im Energiesektor aussehen können, zeigt das dreijährige, vom deutschen Bundesministerium für Bildung und Forschung (BMBF) geförderte Projekt „Q-GRID“. Untersucht wird der mögliche Einsatz von Quantenoptimierung im künftigen dezentralen Energiesystem. Auf dem Tisch liegen vier ziemlich handfeste Aufgaben: Laststeuerung durch dynamische Strompreise, die Bildung virtueller Gemeinschaften und Mikrogrids, Koalitionen von Prosumenten sowie Peer-to-Peer-Energiehandel.

Verglichen wurden klassische, quantenklassische und quantenbasierte Verfahren, darunter Gurobi, D-Wave-Hybridsolver, Quantum Annealing, QAOA und heuristische Verfahren. Bei ausgewählten Problemen stieg die Laufzeit klassischer Optimierer bereits bei kleinen Instanzen stark, teils exponentiell. Erste Ergebnisse zeigten bei bestimmten Aufgaben günstigere Laufzeitskalierungen für hybride Quantenverfahren. Ein praktischer Quantenvorteil wurde allerdings nicht nachgewiesen. Das ist weniger spektakulär als manche Schlagzeile, aber wissenschaftlich der entscheidende Punkt.

Beim „Discount Scheduling Problem“ sollen für einzelne Kunden zeitabhängige Rabatte oder Aufschläge bestimmt werden. Der Verbrauch soll in Zeiten niedriger CO₂-Intensität des Stromnetzes wandern, damit Netzbelastung und Emissionen sinken. Der Planungshorizont wird in Zeitschritte geteilt; für jeden Kunden und jeden Zeitschritt wird eine von fünf Rabattstufen zwischen −50 Prozent und +50 Prozent festgelegt. Negative Werte bedeuten Rabatt, positive Aufschlag, 0 Prozent keine Änderung.

Das Modell nimmt an, dass sich der Verbrauch proportional zur individuellen Preiselastizität verändert. Gleichzeitig muss der Gesamtenergieverbrauch eines Kunden über den Zeitraum unverändert bleiben, und kurzfristige Verbrauchsänderungen aller Kunden werden begrenzt, damit das Netz stabil bleibt. Verglichen wurden Gurobi, D-Waves LeapHybridCQM, eine eigens entwickelte Zerlegungsmethode mit Gurobi sowie eine Zerlegung mit Leap beziehungsweise direktem Zugriff auf einen D-Wave-Quantenprozessor.

In einem Beispiel mit 100 Kunden erzeugten die Verfahren unterschiedliche Rabattverteilungen, aber nahezu dieselbe aggregierte Verbrauchsänderung und CO₂-Reduktion. Gurobi konzentrierte Rabatte stärker auf wenige Kunden, Leap verteilte sie gleichmäßiger. Diese gleichmäßigere Verteilung war allerdings nur eine beobachtete Eigenschaft und kein eigenes Optimierungsziel. Bei Problemgrößen zwischen 100 und 200 Kunden hatte Leap einen Leistungsvorteil gegenüber Gurobi; oberhalb dieser Größenordnung fand Gurobi innerhalb des vorgegebenen Zeitlimits keine konvergierten Lösungen. Die eigens entwickelte klassische Zerlegung übertraf die allgemeinen Optimierer deutlich, während die Zerlegung mit Leap als Unterlöser bei größeren Instanzen konkurrenzfähig blieb.

Bei der Erkennung selbstversorgender Energiegemeinschaften geht es darum, in einem dynamischen Verteilnetz Mikrogrids zu finden, deren lokale Erzeugung und Verbrauch möglichst ausgeglichen sind. Netzteilnehmer können Verbraucher, Erzeuger oder Prosumenten mit Photovoltaik, Batteriespeichern oder Vehicle-to-Grid-Technik sein. Mathematisch wird das als Community-Detection-Aufgabe mit einer zusätzlichen Selbstversorgungsbedingung formuliert.

Die Gemeinschaftsstruktur wird über die Maximierung der Modularität bestimmt. Die Gewichtung der Netzverbindungen leitet sich dynamisch aus den aktuellen Last- und Erzeugungsdaten ab; ein zusätzlicher Strafterm bevorzugt Gemeinschaften mit ausgeglichener Gesamtproduktion und -nachfrage. Entwickelt wurden eine QUBO-Formulierung, ein klassischer divisiver Algorithmus und eine hybride Variante mit QUBO-Unterproblemen. Beim divisiven Ansatz wird das Netz wiederholt in zwei Gruppen geteilt und rekursiv weiter aufgespalten, solange sich die Lösungsqualität verbessert. One-Hot-Nebenbedingungen werden dadurch vermieden, die QUBO-Unterprobleme schrumpfen mit jeder Aufteilung.

Für das Benchmarking dienten modifizierte IEEE-Testnetze aus der pandapower-Bibliothek. Die Testdaten wurden zufällig aus getrennten Verteilungen für Erzeugung und Verbrauch erzeugt; jeweils 50 Prozent der Akteure waren Erzeuger und 50 Prozent Verbraucher. Der Selbstversorgungs-Strafparameter lag bei 0,1, die Zahl der Gemeinschaften wurde anhand von Ergebnissen des Louvain-Algorithmus geschätzt.

Gurobis Laufzeit stieg mit wachsender Netzgröße exponentiell, und die zusätzliche Selbstversorgungsbedingung machte das Problem deutlich schwieriger. Der divisive Ansatz lieferte mit den meisten getesteten Lösern gute Ergebnisse. Quantum Annealing verlor bei größeren Instanzen früh an Lösungsqualität. Beim ersten Aufteilungsschritt erzielte Leap die besten Ergebnisse, gefolgt von Simulated Annealing, Gurobi und QSA. Leap übertraf Louvain bei den meisten größeren Instanzen leicht; bei kleinen Instanzen war dieser Vorteil nicht durchgängig.

Auch die Koalitionsbildung von Prosumenten wurde untersucht.