Laboratory for Digitalisation

Laboratory for Digitalisation

Das Labor für Digitalisierung fokussiert sich auf die Überschneidung der drei grundlegenden Forschungsbereiche Quantencomputing, Systems Engineering und Software Engineering. Künftige Computersysteme werden nicht-klassische Algorithmen nutzen, und ihre Hardware- und Software-Architekturen müssen die Vorteile von klassischen und Quantenverarbeitungseinheiten kombinieren. Folglich erfordert der wissenschaftliche Fortschritt mehr denn je interdisziplinäres Denken über Fachgebiete hinweg. Das Labor für Digitalisierung sucht nach bereichsübergreifenden Antworten auf hochaktuelle wissenschaftliche Fragen und beteiligt sich an der aktiven Umsetzung in Anwendungen.

Quantencomputing

Von Quantencomputern wird erwartet, dass sie Berechnungen mithilfe der Gesetze der Quantenmechanik auf neuartige Weise durchführen und dabei schneller sind als klassische Computer. Die aktuellen Arbeiten des Labors für Digitalisierung zielen darauf ab, die Lücke zwischen Grundlagenforschung und industrieller Anwendung zu schließen, indem Fragen in ihrer gesamten technisch-wissenschaftlichen Breite untersucht werden. Darüber hinaus zählen Quantum Machine Learning, insbesondere das Quantum Reinforcement Learning, und das Quantencomputing für Datenbanken zu den Schwerpunkten des Labors. Gemeinsam mit Industriepartnern werden erste Pilotprojekte realisiert, in die das Labor fast zwei Jahrzente wissenschaftliche und akademische Erfahrung einbringt.

Systems Engineering

Im Bereich Systems Engineering erforscht das Labor moderne, freie und offene Architekturen für industrielle eingebettete Systeme mit Schwerpunkt auf sicherheits- und gemischt-kritischen Systemen. Parallel werden quantitative Techniken zur Sicherheitszertifizierung von Open Source Software (OSS)-Komponenten entwickelt, die in sicherheitskritischen Umgebungen eingesetzt werden.

Software Engineering

Software ist die zentrale Ingenieursaufgabe der modernen Welt — sie erfordert tiefes und breites technisches Wissen, um qualitativ hochwertige Ergebnisse sicherzustellen. Mit rapide wachsenden Systemen drängen sich aber zunehmend nicht-technische Fragen zur Kooperation zwischen den beteiligten Personen in den Vordergrund. Diese müssen auf dem gleichen quantitativen, faktenbasierten und verifizierbaren Niveau wie klassische natur- und ingenieurswissenschaftliche Probleme gelöst werden.

International verteilte Teams mit hunderten oder tausenden von Entwicklern sinnvoll aufzuteilen und zu vernetzen ist offensichtlich kein einfaches Problem. Viele der dazu verwendeten Management-Ansätze orientieren sich nur an persönlichen Erfahrungen oder gar Vermutungen, die einem Vergleich mit rigorosen, quantitativen Ingenieurstechniken nicht standhalten. Vor- und Nachteile unterschiedlicher Kollaborationsverfahren müssen aber ebenso gut wie andere Qualiätsindikatoren von Software verstanden werden.

Unser Codeface-Projekt, das sowohl auf wissenschaftlichen wie auch industriellen Vorarbeiten basiert, versucht, die soziologischen Aspekte der Softwareentwicklung auf das erforderliche Niveau an Exaktheit zu heben: Mathematische Modelle zur Kooperation werden durch maschinelles Lernen an großen Datenbasen (mit Tausenden von Open Source-Entwicklern) kalibriert und durch systematische, quantitative Umfragen unter Entwicklern verifiziert, um aus erfolgreichen Projekten konkrete Ratschläge für neue Entwicklungsverfahren zu gewinnen.