Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

Diese Studie untersucht zwei hybride quanten-klassische Ansätze zur Klassifizierung von Schweißfehlern in Aluminium-TIG-Bildern, die durch den Vergleich mit einem konventionellen CNN-Modell zeigen, dass hybride Methoden trotz aktueller Hardwarebeschränkungen wettbewerbsfähige Ergebnisse für industrielle Qualitätskontrollen liefern können.

Das Wesentliche

Das große Ziel: Der perfekte Schweißnaht-Check

Stellen Sie sich vor, Sie bauen ein riesiges Auto oder ein Flugzeug. Ein entscheidender Schritt dabei ist das Schweißen von Metallteilen. Wenn dort ein kleiner Fehler ist – ein winziges Loch, eine Verunreinigung oder eine Stelle, die nicht richtig verschmolzen ist – kann das später zu einem katastrophalen Unfall führen.

Früher haben Menschen mit bloßem Auge oder Lupe geschaut. Heute nutzen Computer, genauer gesagt Künstliche Intelligenz (KI), um diese Bilder zu analysieren. Aber: Diese klassischen KI-Modelle sind wie riesige, schwerfällige Lastwagen. Sie brauchen extrem viel Rechenleistung und Energie, um die Bilder zu "verdauen".

Die Forscher aus dieser Studie haben sich gefragt: Was wäre, wenn wir einen kleinen, flinken Quantum-Computer (einen "Quanten-Rennwagen") an Bord nehmen könnten, um die Arbeit zu erleichtern?

Das Problem: Der Quanten-Computer ist noch ein Kind

Derzeitige Quanten-Computer (die sogenannten NISQ-Geräte) sind noch sehr empfindlich. Sie haben nur wenige "Gedächtniszellen" (Qubits) und können keine riesigen Bilder direkt verarbeiten. Ein Bild mit Millionen von Pixeln auf einen solchen Computer zu laden, wäre, als wollte man einen ganzen Elefanten in einen Mini-Flugzeugkoffer stopfen. Es passt nicht.

Die Lösung: Ein hybrides Team (Der Klassiker und der Spezialist)

Die Forscher haben eine clevere Teamarbeit entwickelt, die Hybrid-Quanten-KI genannt wird. Man kann sich das wie eine gut eingespielte Besatzung in einem Rennwagen vorstellen:

1. Der Klassiker (CNN) – Der erfahrene Fahrer:
   Zuerst schaut ein ganz normales, klassisches Computer-Modell (ein Convolutional Neural Network) auf das Schweißbild. Es ist extrem gut darin, Muster zu erkennen. Seine Aufgabe ist es, das riesige, komplexe Bild zu analysieren und es in eine kleine, kompakte Zusammenfassung zu verwandeln.

   • Die Analogie: Stellen Sie sich vor, ein Kunstexperte schaut sich ein riesiges Gemälde an und schreibt nur drei Stichpunkte auf einen Zettel: "Viel Blau, ein roter Punkt, etwas Rauschen". Diese Stichpunkte sind die "Features" (Merkmale). Das Originalbild wird weggeworfen, nur die wichtigen Infos bleiben.

2. Der Quanten-Teil – Der Spezialist:
   Diese kleinen Stichpunkte (die Features) werden nun an den Quanten-Computer übergeben. Da sie klein sind, passen sie perfekt in den "Mini-Flugzeugkoffer". Der Quanten-Computer verarbeitet diese Informationen auf eine völlig andere Art und Weise, die für klassische Computer unmöglich ist (durch Superposition und Verschränkung).

Zwei verschiedene Quanten-Strategien

Die Forscher haben zwei verschiedene Methoden getestet, wie der Quanten-Computer diese Stichpunkte nutzt, um zu entscheiden: "Ist das ein guter Schweißnaht oder ein Fehler?"

Methode 1: Der Quanten-Spiegel (QSVM mit VQLS)

• Wie es funktioniert: Der Quanten-Computer nimmt die Daten und wirft sie in einen riesigen, unsichtbaren "Spiegel" (einen hochdimensionalen Raum). In diesem Spiegel werden die Daten so verzerrt, dass sie viel leichter zu trennen sind.
• Die Herausforderung: Um das Ergebnis zu berechnen, muss der Computer eine sehr komplexe mathematische Gleichung lösen. Das ist wie das Lösen eines riesigen Sudoku-Rätsels, bei dem man viele Versuche braucht, bis es passt.
• Ergebnis: Es funktioniert gut, ist aber etwas langsam und rechenintensiv, wie ein sehr sorgfältiger, aber langsamer Mathematiker.

Methode 2: Der Quanten-Detektiv (VQC)

• Wie es funktioniert: Hier wird der Quanten-Computer wie ein trainierbarer Detektiv eingesetzt. Die Daten werden in die "Gedanken" des Quanten-Computers eingeprägt (kodiert). Der Computer probiert verschiedene Wege aus, um die Fehler zu finden, und lernt dabei ständig dazu (ähnlich wie ein Kind, das lernt, Hunde von Katzen zu unterscheiden).
• Der Vorteil: Dieser Ansatz ist schlanker, schneller und passt besser zu den aktuellen, noch etwas fehleranfälligen Quanten-Computern.
• Ergebnis: Dieser "Detektiv" war der Gewinner! Er hat fast genauso gut gearbeitet wie der riesige klassische Lastwagen, aber mit viel weniger Aufwand.

Was haben sie herausgefunden?

Die Forscher haben ihre Modelle an echten Bildern von Aluminium-Schweißnähten getestet. Es gab drei Kategorien:

1. Perfekt (Gute Schweißnaht)
2. Verschmutzt (Schmutz auf der Naht)
3. Nicht verschmolzen (Eine Lücke in der Naht)

Die Ergebnisse:

• Der klassische KI-Lastwagen war unschlagbar. Er hat fast 100 % richtig erkannt. Das war zu erwarten, denn er ist der Standard.
• Der Quanten-Detektiv (Methode 2) war fast genauso gut! Er hat in vielen Fällen ebenfalls 99 % richtig erkannt. Das ist eine enorme Leistung für einen Quanten-Computer, der noch in den Kinderschuhen steckt.
• Der Quanten-Spiegel (Methode 1) war auch gut, aber etwas langsamer und hatte bei komplexeren Aufgaben (drei Kategorien statt zwei) mehr Mühe.

Das Fazit für die Zukunft

Die Studie zeigt etwas Aufregendes: Wir müssen nicht warten, bis die Quanten-Computer perfekt und riesig sind. Schon heute können wir sie in ein Team mit klassischen Computern integrieren, um reale Probleme zu lösen.

Stellen Sie sich vor, in einer Fabrik läuft bald ein System, bei dem ein klassischer Computer die Bilder vorfiltert und ein kleiner, effizienter Quanten-Chip die feinsten Details prüft. Das könnte die Qualitätskontrolle in der Industrie revolutionieren – schneller, günstiger und vielleicht sogar genauer als alles, was wir heute haben.

Kurz gesagt: Die Forscher haben bewiesen, dass Quanten-Computer keine ferne Zukunftsmusik mehr sind, sondern bereits heute als coole Co-Piloten in der industriellen Fehlererkennung funktionieren können.

Technische Zusammenfassung

Titel: Hybrid Quantum-Classical AI für die industrielle Defektklassifizierung in Schweißbildern

Autoren: Akshaya Srinivasan et al. (Fraunhofer ITWM, RPTU Kaiserslautern-Landau, MuVision UG, TU Sofia, THWS)

---

1. Problemstellung

Die automatische Qualitätskontrolle ist ein Eckpfeiler der modernen industriellen Fertigung, insbesondere in sicherheitskritischen Bereichen wie der Automobilindustrie, der Luftfahrt und im Schwermaschinenbau. Schweißverbindungen (hier Aluminium-TIG-Schweißungen) müssen auf Fehler wie Kontamination, mangelnde Verschmelzung oder Durchbrennen überwacht werden.

• Herausforderung: Herkömmliche Deep-Learning-Modelle (z. B. CNNs) sind zwar erfolgreich, erfordern jedoch erhebliche Rechenressourcen, insbesondere bei hochdimensionalen Bilddaten.
• Quanten-Potenzial: Quantencomputing bietet durch Superposition und Verschränkung neue Möglichkeiten für das Machine Learning. Da jedoch fehlertolerante Quantencomputer noch nicht verfügbar sind, konzentriert sich die Forschung auf die NISQ-Ära (Noisy Intermediate-Scale Quantum). Hier sind hybride Ansätze notwendig, die klassische Vorverarbeitung mit Quantenschaltkreisen kombinieren, um die aktuellen Hardware-Limitationen (geringe Qubit-Zahl, Rauschen) zu überwinden.

2. Methodik

Die Studie vergleicht drei verschiedene Architekturen zur Klassifizierung von Schweißfehlern. Alle Ansätze nutzen eine gemeinsame Feature-Extraktions-Phase mittels eines klassischen Convolutional Neural Networks (CNN), um die hochdimensionalen Bilddaten (ursprünglich 800x974 Pixel) in kompakte Merkmalsvektoren zu transformieren.

A. Datengrundlage

• Quelle: Ein industrieller Datensatz von TIG-Schweißprozessen (Kaggle-Dataset, HDR-Kamera).
• Klassen: Es wurden drei Klassen ausgewählt:
  1. Gute Schweißnaht (Class 0)
  2. Kontamination (Class 2)
  3. Mangelnde Verschmelzung (Class 3)
• Datensatz: 1.100 Bilder (700 Training/Validierung, 400 Test), heruntergerechnet auf 400x487 Pixel.

B. Die drei verglichenen Modelle

1. Klassisches CNN (Baseline):

   • Dient als Benchmark und Feature-Extraktor.
   • Architektur: Angelehnt an "Model-1" aus einer früheren Studie [12], optimiert für Schweißbilder.
   • Funktion: Vollständige Bildklassifizierung oder Extraktion von Feature-Vektoren (Längen: 7, 15, 31, 63, 127) für die Quantenmodelle.

2. VQLS-verbesserte QSVM (Quantum Support Vector Machine):

   • Ansatz: Ein Kernel-Methoden-Ansatz.
   • Prozess: Die CNN-Features werden in Quantenzustände kodiert (Feature Map mit Rotations- und Verschränkungsgattern).
   • Kernmatrix: Eine Quanten-Kernel-Matrix $K$ wird über die inneren Produkte der Quantenzustände berechnet ($K_{ij} = |\langle \tilde{x}_i | \tilde{x}_j \rangle|^2$).
   • Optimierung: Das SVM-Optimierungsproblem (lineares System $M\alpha = b$) wird mit einem Variational Quantum Linear Solver (VQLS) gelöst. Ein parametrisierter Quantenschaltkreis (Ansatz) approximiert die Lösung, wobei ein klassischer Optimierer (COBYLA) die Kostenfunktion minimiert.
   • Besonderheit: Untersuchung des Einflusses der Konditionszahl der Kernel-Matrix auf die Stabilität.

3. VQC-basierter Klassifikator (Variational Quantum Circuit):

   • Ansatz: Ein hybrides Transfer-Learning-Modell.
   • Prozess: Die CNN-Features werden auf die Anzahl der verfügbaren Qubits reduziert (z. B. auf 4 Dimensionen).
   • Kodierung: Winkelkodierung (Angle Encoding) mittels $R_y$-Gattern.
   • Schaltkreis: Ein flacher, hardware-effizienter Ansatz (Variational Layer mit $R_y$ und CX-Gattern) verarbeitet die Daten.
   • Ausgabe: Messung im Pauli-Z-Basis, gefolgt von einer klassischen linearen Schicht und Softmax für die Klassifizierung.
   • Training: Gradientenabstieg mittels Parameter-Shift-Regel und Adam-Optimizer.

C. Hyperparameter-Tuning

Mittels Population-Based Training (PBT) (Ray Tune) wurden Batch-Größe, Feature-Größe, Qubit-Anzahl und Schaltungstiefe optimiert. Die optimale Konfiguration ergab sich bei einer Feature-Größe von 63 und 4 Qubits.

3. Wichtige Ergebnisse

Die Modelle wurden auf binären (Gut vs. Defekt) und multiklassen (3-Klassen) Aufgaben getestet.

• Klassisches CNN:

  • Erzielte in allen Szenarien und Feature-Größen eine perfekte Genauigkeit (100%).
  • Diente als robuster Referenzpunkt.

• VQLS-verbesserte QSVM:

  • Binär: Erreichte bis zu 96,8% Genauigkeit (bei Feature-Größe 63).
  • Multiklassen: Genauigkeit sank auf 92,4%.
  • Nachteil: Der Trainingsprozess war sehr rechenintensiv und zeitaufwendig aufgrund der wiederholten Schaltkreisausführungen für die Kernel-Berechnung und die Lösung des linearen Systems. Die Leistung litt unter der Komplexität bei mehr als zwei Klassen.

• VQC-basierter Klassifikator:

  • Binär: Erreichte 99,7% Genauigkeit (nahezu perfekt).
  • Multiklassen: Erreichte 98,9% Genauigkeit.
  • Vorteil: Zeigte die beste Balance zwischen Quantenressourcen-Nutzung und Leistung. Der flache Schaltkreis war robuster gegen Rauschen und effizienter im Training als die QSVM.

• Einfluss der Feature-Größe:

  • Die Leistung verbesserte sich mit steigender Feature-Größe bis zu 63. Größere Vektoren (127) führten zu leichten Einbußen, vermutlich durch Rauschen oder Overfitting.

4. Signifikanz und Schlussfolgerungen

• Funktionsfähigkeit im NISQ-Zeitalter: Die Studie beweist, dass hybride Quanten-Klassische Modelle bereits heute in der Lage sind, mit rein klassischen Deep-Learning-Modellen in spezifischen industriellen Anwendungen (Schweißfehlererkennung) konkurrenzfähig zu sein.
• Architektur-Vorteil: Der VQC-basierte Ansatz erwies sich als überlegen gegenüber dem VQLS-Ansatz, da er weniger rechenintensiv ist und besser mit den aktuellen Hardware-Einschränkungen (Rauschen, begrenzte Tiefe) umgehen kann.
• Praktische Relevanz: Da die untersuchten Defekte (Kontamination, mangelnde Verschmelzung) visuell klar unterscheidbar sind, konnten die Modelle hohe Genauigkeiten erzielen. Dies legt nahe, dass hybride Ansätze für die nicht-destruktive Prüfung (NDT) in der Industrie skalierbar sind.
• Zukunftsperspektive: Mit fortschreitender Quantenhardware könnten diese hybriden Architekturen noch leistungsfähiger werden und komplexe Muster erkennen, die für klassische Modelle schwer zu extrahieren sind.

Fazit: Die Forschung zeigt einen vielversprechenden Weg zur Integration von Quantencomputing in die industrielle Qualitätskontrolle, wobei der VQC-Ansatz derzeit den vielversprechendsten hybriden Ansatz darstellt.