Der Schatten im Diamanten

Ich bin keine Quantenforscherin. Ich bin Geschäftsführerin und Eigentümerin einer kreativen Full-Service-Werbeagentur, die seit mehr als 25 Jahren erklärungsbedürftige B2B-Produkte begleitet. Gerade deshalb darf ich mir die Freiheit nehmen, Fragen zu verfolgen, für die es heute noch keinen Marketingetat, keine Kampagne und vielleicht nicht einmal einen klaren Markt gibt.

Die jüngsten Fortschritte bei diamantbasierten Quantenprozessoren und die elegante Idee der Classical Shadows haben mich nicht losgelassen. Ein journalistischer Impuls war ein t3n-Beitrag über Quantencomputer aus Diamanten in Leipzig [1]. Dahinter liegen reale Forschungsprogramme und kleine, bereits betriebene NV-Systeme – aber ebenso große, noch unbestätigte Skalierungsversprechen [2-4]. Genau diese Mischung aus Wirklichkeit, Wagnis und offener Zukunft fasziniert mich.

Meine Rolle kann hier nur die einer Muse im ursprünglichen Sinn sein: eine Verbindung sehen, eine Frage in den Raum stellen, Fachleute zusammenbringen und bereit sein, die Idee wieder zu verwerfen. Ich suche den Dialog aus purer menschlicher Neugier. Und ich möchte in vielleicht fünf Jahren nicht bei null anfangen, wenn Quantenanwendungen erklärt, eingeordnet und gesellschaftlich vermittelt werden müssen. Für eine Agentur, die komplexe Technologie verständlich macht, wäre das die Königsdisziplin.

TEIL I | DER WEG ZUR IDEE

Eine gute Idee beginnt manchmal mit dem Wegwerfen

Am Anfang standen schöne Bilder: platonische Körper, Tetraeder aus Spins, Kagome-Gitter, Pyrochlore und Quantum Spin Ice. Wissenschaftlich reizvoll – aber als schneller Weg zu einer industriellen Anwendung zu weit entfernt.

Im ursprünglichen Gespräch suchte ich bewusst eine Verbindung aus vier Elementen: Diamant, Classical Shadows, industrielle Skalierbarkeit und eine möglichst kurze Strecke zu einem realen Proof of Concept. Unter dieser Bedingung mussten mehrere meiner Lieblingsideen gehen. Ein perfekter Tetraeder aus vier 13C-Spins wäre ein wunderschöner Demonstrator. Eine platonische Rotationsgruppe könnte mathematisch zu symmetrieangepassten Messungen inspirieren. Aber weder das eine noch das andere liefert heute einen belegten industriellen Vorteil.

Das war der entscheidende Moment: Nicht mehr fragen, was der Diamant-Quantencomputer für uns berechnen soll. Sondern fragen, ob Classical Shadows helfen könnten, den Quantencomputer selbst besser zu verstehen.

Damit verschob sich die Idee von einer exotischen Rechenanwendung zu einer Diagnose- und Verifikationsschicht. Der mögliche erste Wert läge nicht im ‚Quantum Advantage‘ eines Kundenalgorithmus, sondern in einer bescheideneren, vielleicht nützlicheren Frage: Wie gesund ist das Gerät gerade – und welche Informationen können wir aus einem gemeinsamen Messdatensatz mehrfach nutzen?

Frühere Annahmen und ihre kritische Korrektur

TEIL II | DER DIAMANT

Ein Defekt, der zum Quantensystem wird

Der Diamant ist hier nicht Schmuck, sondern ein außerordentlich geordnetes Kristallgitter – und gerade eine gezielte Unvollkommenheit macht ihn interessant.

Ein NV-Zentrum entsteht, wenn im Kohlenstoffgitter ein Kohlenstoffatom durch Stickstoff ersetzt wird und daneben ein Gitterplatz leer bleibt: nitrogen plus vacancy. Der Elektronenspin dieses Defekts kann optisch initialisiert und ausgelesen sowie mit Mikrowellen kontrolliert werden. In seiner Umgebung liegen Kernspins, etwa von 13C-Atomen, die als weitere Qubits oder Quantenspeicher dienen können. Der Elektronenspin wird damit zur Schnittstelle; die Kernspins können längerlebige Register bilden.

H/h=D S_z^2+\gamma_e B S_z+\sum_k\mathbf{S}\!\cdot\!A_k\!\cdot\!\mathbf{I}_k+H_{\mathrm{ctrl}}(t)

Ein vereinfachtes NV-Spinregister

D bezeichnet die Nullfeldaufspaltung des NV-Elektronenspins; B das Magnetfeld; A_k die Hyperfeinkopplung zu Kernspin k; H_ctrl(t) die zeitabhängige Laser-, Mikrowellen- und RF-Steuerung.

Schon diese vereinfachte Formel zeigt, warum Diagnose anspruchsvoll ist: Das Gerät ist kein Satz isolierter Qubits. Es ist ein gekoppeltes, gepulstes, ausgelesenes und driftendes physikalisches System. Kleine Frequenzverschiebungen, eine veränderte Initialisierung, T1- und T2-Prozesse, Crosstalk oder eine ungenaue Pulssequenz können dasselbe spätere Ergebnis auf unterschiedliche Weise beeinflussen.

Der Raumtemperaturbetrieb ist real, aber kein Freibrief für Skalierung. Eine 2026 publizierte Untersuchung eines Drei-Qubit-NV-Registers erreichte Quantum Volume 8 und benennt T1/T2-Grenzen sowie die Notwendigkeit von Kühlung für weitere Fidelity-Verbesserungen [11]. Dem gegenüber stehen beeindruckende kryogene Demonstrationen, etwa ein fehlertolerant operierter logischer Qubit aus sieben Spins [12] und teleportierte Gatter zwischen entfernten Festkörperregistern [13]. Die Plattform bewegt sich – aber nicht auf einer einzigen, geraden Skalierungslinie.

Warum diese Plattform trotzdem so anziehend ist

DLR und Fraunhofer dokumentieren, dass NV-Diamanthardware nicht mehr nur in akademischen Aufbauten existiert: Vier-Qubit-Demonstratoren wurden abgenommen; kompakte Beschleuniger wurden in klassische Recheninfrastruktur integriert [3,4]. SAXON Q kündigt inzwischen 128- und 512-Qubit-Systeme an [2]. Diese Zahlen sind Unternehmens- und Roadmap-Aussagen. Gerade weil unabhängige Leistungsdaten für die großen Systeme noch fehlen, wird Diagnostik nicht weniger, sondern mehr interessant.

TEIL III | DAS MESSPROBLEM

Ein Quantenzustand ist groß, noch bevor das Gerät groß ist

Wer einen Quantencomputer verstehen will, kann ihn nicht einfach öffnen und hineinschauen. Jede Messung liefert nur ein klassisches Ergebnis – und verändert den Zustand, den sie beschreibt.

Ein n-Qubit-System besitzt einen Hilbertraum der Dimension d = 2^n. Ein allgemeiner gemischter Zustand wird durch eine Dichtematrix rho beschrieben. Sie ist positiv semidefinit, hat Spur eins und enthält sowohl klassische Wahrscheinlichkeiten als auch quantenmechanische Kohärenzen.

d=2^n,\qquad \rho\in\mathbb{C}^{d\times d},\qquad \rho\succeq0,\qquad \mathrm{Tr}(\rho)=1

Der Zustand eines n-Qubit-Registers

Die Dichtematrix ist das vollständige mathematische Zustandsobjekt – aber nicht automatisch das praktisch sinnvollste Diagnoseziel.

Die Zahl der unabhängigen reellen Parameter wächst wie 4^n. Bei zehn Qubits sind es 1.048.575, bei zwanzig bereits mehr als eine Billion. Vollständige Tomografie ist deshalb ein schlechtes Dauerinstrument für wachsende Systeme.

N_{\mathrm{real}}=d^2-1=4^n-1

Warum vollständige Zustandstomografie explodiert

Der exponentielle Parameterraum erklärt die Versuchung, aus weniger Daten nur jene Eigenschaften zu schätzen, die für eine konkrete Diagnose relevant sind.

Aber hier lag auch eine Schwachstelle meiner bisherigen Darstellung: In einem Labor vergleicht niemand eine neue Methode nur mit der naivsten vollständigen Tomografie. Für Gatterfehler, Adressierbarkeit oder Prozessqualität existieren Randomized Benchmarking, Gate-Set-Tomografie, direkte Fidelity-Schätzung und gezielte Kalibrationen. Ein Shadow-Ansatz ist erst interessant, wenn er bei gleicher Genauigkeit gegen diese realen Baselines gewinnt oder ihnen neue, mehrfach nutzbare Informationen hinzufügt.

Was wir wirklich wissen möchten

Welche lokalen Spins oder Kopplungen verändern sich gegenüber einer Referenz?

Welche Zwei- und Drei-Punkt-Korrelationen deuten auf korrelierte Fehler?

Welche ausgewählten Zielzustände verlieren Fidelity?

Welche Stabilizer- oder Syndromerwartungswerte verschieben sich?

Welche Abweichung ist statistisch signifikant – und welche nur Messrauschen?

TEIL IV | DER SCHATTEN

Wie man viele Fragen später stellen kann

Classical Shadows sind keine verkleinerte Fotografie des Quantenzustands. Sie sind ein statistisches Versprechen: Randomisiere die Messung so, dass derselbe Datensatz später viele passende Observablen beantworten kann.

In einem einzelnen Durchlauf wird eine zufällige unitare Transformation U gewählt, der Zustand rotiert und anschließend in der Rechenbasis gemessen. Das Ergebnis ist ein Bitstring b. Nach der Born-Regel ist seine Wahrscheinlichkeit:

p(b\mid U,\rho)=\langle b|U\rho U^\dagger|b\rangle

Eine randomisierte Messung

U bezeichnet die gewählte Messrotation; b das beobachtete klassische Ergebnis.

Aus U und b wird durch Invertieren des zugehörigen Messkanals M ein einzelner zufälliger Schätzer konstruiert. Dieser Snapshot ist im Allgemeinen keine physikalische Dichtematrix. Erst sein Erwartungswert und die Statistik vieler unabhängiger Snapshots tragen die gewünschte Information.

\hat{\rho}=\mathcal{M}^{-1}\!\left(U^\dagger|b\rangle\langle b|U\right)

Aus einem Messergebnis wird ein Snapshot

Ein Snapshot ist ein unverzerrter oder kalibrierbar korrigierter Schätzer – kein vollständiges Bild eines einzelnen Quantenzustands.

Die Snapshots werden in Gruppen gemittelt; robuste Schätzer wie Median-of-Means reduzieren den Einfluss seltener Ausreißer. Für jede gewünschte Observable O_j kann danach ein Erwartungswert berechnet werden:

\hat{o}_j=\operatorname{median}_k\,\mathrm{Tr}\!\left(O_j\bar{\rho}_k\right)

Viele spätere Fragen an denselben Datensatz

Das Entscheidende: O_j kann innerhalb der vom Messensemble getragenen Klasse auch erst nach der Datenerhebung ausgewählt werden.

\Pr\!\left[\max_j|\hat{o}_j-o_j|\leq\varepsilon\right]\geq1-\delta

Was eine belastbare Schätzung versprechen soll

Mit Wahrscheinlichkeit mindestens 1-delta sollen alle M Zielgrößen gleichzeitig innerhalb des Fehlers epsilon liegen.

Das 2020 von Hsin-Yuan Huang, Richard Küng und John Preskill formulierte Verfahren zeigt, warum der Ansatz so faszinierend ist: Die Zahl M der nachträglich geschätzten Eigenschaften geht unter geeigneten Voraussetzungen nur logarithmisch in die Messzahl ein [5]. Experimentelle Arbeiten haben die Grundidee auf realen Plattformen demonstriert [7].

Das große Aber steckt in einer Norm

Die Schlagzeile lautet ‚viele Eigenschaften aus wenigen Messungen‘. Die wissenschaftlich ehrliche Formel enthält jedoch einen Faktor, der den Vorteil retten oder zerstören kann: die Shadow-Norm.

N\gtrsim\frac{\max_j\|O_j\|_{\mathrm{sh}}^2}{\varepsilon^2}\log\!\left(\frac{M}{\delta}\right)

Die ehrliche Form der berühmten logarithmischen Skalierung

M ist die Zahl der Observablen, epsilon die Zielgenauigkeit, delta die erlaubte Ausfallwahrscheinlichkeit. Die Shadow-Norm hängt von Observable und Messensemble ab.

Für lokale Pauli-Observablen mit Gewicht w – also Operatoren, die nur w Qubits nichttrivial betreffen – entsteht bei lokalen zufälligen Pauli-Messungen typischerweise ein Faktor 3^w. Solange w klein bleibt, kann das attraktiv sein. Für hochgradig globale Eigenschaften kann der Aufwand wieder exponentiell wachsen.

\|O\|_{\mathrm{sh}}^2\sim3^w\quad\Rightarrow\quad N\sim\frac{3^w}{\varepsilon^2}\log\!\left(\frac{M}{\delta}\right)

Lokalität ist der entscheidende Preis

Nicht die Gesamtzahl der Qubits allein entscheidet, sondern wie global die gewünschte Diagnosegröße ist.

Eine aktuelle Full-Stack-Analyse von 2026 formuliert genau diese Effizienzgrenze: Classical Shadows können bei vielen Observablen mit geringem Pauli-Gewicht vorteilhaft sein, sind aber bei wenigen hochgradig nichtlokalen Observablen oder knappem klassischem Postprocessing nicht automatisch die beste Wahl [10].

Und dann kommt die Hardware

Der ideale Formalismus nimmt an, dass die zufälligen Rotationen und Messungen korrekt ausgeführt werden. Reale Gatter-, Initialisierungs- und Auslesefehler verzerren den Schätzer. Robust-Shadow-Verfahren fügen deshalb Kalibrationsschritte und Rauschannahmen hinzu [6]. Ihre Garantien gelten nicht für beliebige Drift: Manche Resultate setzen beispielsweise gate-unabhängiges, stationäres und Markov’sches Rauschen voraus. Genau ein dauerhaft driftendes NV-System kann diese Annahmen verletzen. Die Diagnose muss also zugleich ihr eigenes Messinstrument beobachten.

TEIL V | DIE EIGENTLICHE IDEE

Von der Momentaufnahme zur Quantum Health Map

Der mögliche Wert liegt nicht in einem magischen Gesamtzustand, sondern in einem sorgfältig ausgewählten Panel von Messgrößen, die gemeinsam ein Betriebsbild ergeben.

Ein möglicher Regelkreis. Die Diagnose liegt zwischen Hardware und Kalibrierung; sie ist nicht der Rechenkern selbst.

Eine Health Map könnte lokale Polarisationen, Korrelationen, ausgewählte Fidelitäten, Stabilizer-Erwartungswerte und Diagnosefeatures zusammenfassen. Der Vektor h_t wäre kein vollständiger Zustand, sondern ein bewusst reduziertes Betriebsprofil zum Zeitpunkt t.

\mathbf{h}_t=(\langle Z_i\rangle,\langle Z_iZ_j\rangle,F_\psi,\langle S_a\rangle,\ldots)

Eine mögliche Quantum Health Map

Die Komponenten müssen vorab physikalisch begründet, messbar und für konkrete Entscheidungen relevant sein.

Aus der Abweichung gegenüber einer gesunden Referenz h_0 könnte ein multivariates Driftmaß entstehen. Eine Kovarianzmatrix Sigma verhindert, dass stark schwankende oder korrelierte Features falsch gewichtet werden.

D_t=(\mathbf{h}_t-\mathbf{h}_0)^\top\Sigma^{-1}(\mathbf{h}_t-\mathbf{h}_0)

Drift als multivariate Abweichung

Ein hoher Driftwert ist ein Alarm, noch keine Diagnose der Ursache.

Was das System melden dürfte – und was nicht

Die zweite Horizontebene: Hamiltonian und Prozess

Wenn die Health Map funktioniert, entsteht eine größere Frage: Kann das Gerät nicht nur Abweichungen anzeigen, sondern Teile seines eigenen effektiven Modells lernen?

Ein lokaler Hamiltonoperator kann in einer Operatorbasis, etwa Pauli-Strings P_alpha, mit unbekannten Koeffizienten theta_alpha geschrieben werden. Das Lernproblem besteht darin, aus präparierten Zuständen, Zeitentwicklung und Messdaten jene Koeffizienten zu schätzen, die die beobachtete Dynamik erklären.

H_\theta=\sum_\alpha\theta_\alpha P_\alpha

Der effektive Hamiltonoperator als lernbares Modell

Die Modellklasse – also welche P_alpha zugelassen sind – entscheidet über Identifizierbarkeit und Aufwand.

Classical-Shadow-Daten können in solchen Lernprotokollen als effiziente Schätzer vieler lokaler Erwartungswerte dienen. Eine aktuelle Arbeit von 2026 verwendet randomisierte Produktzustände und Classical Shadows zum Lernen lokaler Hamiltonians aus Langzeitdynamik; sie ist ein Preprint und keine fertige NV-Diagnostiklösung [18]. Für ein reales Gerät bleiben Modellmissspezifikation, Kontrolle der Zeitentwicklung und nichtstationäres Rauschen zentrale Risiken.

Noch anspruchsvoller ist die Charakterisierung eines ganzen Quantenprozesses E. Über den Choi-Zustand J(E) kann ein Kanal formal wie ein Zustand behandelt werden. Shadow Process Tomography erweitert die Grundidee auf Prozesse und wurde auf kleinen realen Systemen untersucht [8,9].

J(\mathcal{E})=(\mathcal{I}\otimes\mathcal{E})(|\Phi\rangle\langle\Phi|)

Vom Zustand zum Prozess

|Φ⟩ ist ein maximal verschränkter Referenzzustand; der Choi-Zustand kodiert die Wirkung des Prozesses E.

Das ist wichtig, weil Gate- und Kanaldiagnostik nicht automatisch aus State Shadows folgt. Die ursprüngliche Projektidee muss deshalb mindestens drei Ebenen trennen: State Features, Process Features und physikalische Ursachenmodelle. Nur so bleibt der Name ‚Diagnostics‘ wissenschaftlich ehrlich.

Wo künstliche Intelligenz hineinpasst

AI kann Muster in Zeitreihen, Featurekombinationen und Kalibrationsdaten erkennen. Sie ist aber kein notwendiger Bestandteil des ersten mathematischen Kerns. Zuerst müssen unverzerrte Schätzer, Konfidenzintervalle, kontrollierte Fehler und reproduzierbare Baselines funktionieren. Erst dann darf Machine Learning Hypothesen über Driftklassen oder nächste Messungen vorschlagen. Sonst verdeckt es Unsicherheit, statt sie zu reduzieren.

TEIL VI | DER RED-TEAM-TEST

Sieben Gründe, warum die Idee scheitern könnte

Eine Idee wird nicht seriös, indem man ihre Grenzen klein schreibt. Sie wird seriös, indem man Bedingungen formuliert, unter denen man sie aufgibt.

1. Die falschen Observablen. Wenn das Diagnosepanel zu global ist oder eine hohe Shadow-Norm besitzt, verschwindet der Messvorteil.
2. Randomisierung ist selbst teuer. Zusätzliche Pulse, Basiswechsel und Kompilation können auf NV-Hardware mehr Wandzeit kosten als gezielte Messungen.
3. Rauschen verfälscht den Schatten. Nichtstationäre, gate-abhängige oder korrelierte Fehler können ideale Garantien brechen.
4. Der Baseline-Vergleich ist zu schwach. Ein Sieg gegen volle Tomografie reicht nicht. RB, direkte Messungen und gegebenenfalls GST sind die realen Konkurrenten.
5. Alarm ohne Ursache. Viele Observablen können Drift entdecken, ohne die physikalische Ursache identifizierbar zu machen.
6. Daten sind nicht unabhängig. Zeitlich korrelierte Shots und Nachkalibrationen verletzen einfache statistische Modelle.
7. Diamond ist nur Kulisse. Wenn das Protokoll keine NV-spezifischen Vorteile oder Probleme nutzt, ist es ein allgemeines Shadow-Projekt und kein Diamond-Projekt.

Die Ressource, die wirklich zählt

Die Messzahl N allein ist kein industrieller KPI. Ein NV-Experiment besitzt Präparationszeit, Pulsdauer, optische Auslese, mögliche Postselektion, Kalibrationsblöcke und klassisches Postprocessing. Deshalb muss die Gesamtwandzeit bilanziert werden:

T_{\mathrm{total}}=N(t_{\mathrm{prep}}+t_U+t_{\mathrm{read}})+T_{\mathrm{cal}}+T_{\mathrm{post}}

Nicht Shots, sondern reale Wandzeit zählt

Ein Shadow-Protokoll ist nur dann praktisch besser, wenn die gesamte Kette – nicht nur die Shot-Zahl – günstiger wird.

Der einfachste Erfolgsfaktor wäre ein dimensionsloser Gain G: Wie viel reale Zeit benötigt die beste Baseline für dasselbe Diagnosepanel, dieselbe Genauigkeit und dieselbe statistische Sicherheit – geteilt durch die Zeit des Shadow-Protokolls?

G=\frac{T_{\mathrm{baseline}}}{T_{\mathrm{shadow}}}>1

Die Idee muss einen fairen Vergleich gewinnen

G > 1 ist notwendig, aber nicht hinreichend: Kalibrierbarkeit, Robustheit und Entscheidungstauglichkeit müssen ebenfalls bestehen.

TEIL VII | EIN EHRLICHER ERSTER VERSUCH

Nicht gleich das Gerät heilen – zuerst eine kleine Frage gewinnen

Der erste Proof of Concept sollte so klein sein, dass ein negatives Ergebnis informativ bleibt.

1. Ein reales NV-Register wählen – Idealerweise drei bis acht kontrollierbare Spins mit Rohdatenzugang, Zeitstempeln und bekannten Kalibrationssequenzen.
2. Ein Diagnosepanel festlegen – Beispielsweise 20-100 lokale Pauli-Erwartungswerte, Zwei-Punkt-Korrelationen, ein bis zwei Zielzustandsfidelitäten und ausgewählte Stabilizer.
3. Kontrollierte Fehler injizieren – Detuning, Pulsamplitudenfehler, Readout-Bias, Dephasing oder Crosstalk in bekannten Stärken.
4. Faire Baselines messen – Direkte gruppierte Messungen, Randomized Benchmarking und – falls sinnvoll – ein kleines Prozess- oder GST-Verfahren.
5. Blind auswerten – Die Diagnose erhält keine Information über den injizierten Fehler und muss Alarm, Effektgröße und Unsicherheit liefern.
6. Erfolg vorab definieren – Gleiche Genauigkeit, kalibrierte Konfidenz, geringere Gesamtwandzeit oder nachweislich breiteres Featurepanel.

Offene Fragen, die ich gern in den Raum stelle

Welche NV-spezifischen Observablen besitzen zugleich niedrige Shadow-Norm und hohen Diagnosewert?

Lassen sich Messbasen an Hyperfeinkopplung, zentrale Spin-Geometrie oder verfügbare Pulse anpassen, ohne den Schätzer zu verzerren?

Wie trennt man echte Gerätedrift von Drift des Mess- und Kalibrationskanals?

Kann ein Shadow-Archiv später Fragen beantworten, die beim Experiment noch nicht feststanden – und welche Klassen bleiben ausgeschlossen?

Welche Kombination aus Shadows und Randomized Benchmarking liefert mehr als jede Methode allein?

Wo liegt der Break-even zwischen Quantum Shots, klassischem Postprocessing und Diagnosebreite?

Ist SAXON Q für einen ersten Test die passende Plattform – oder wäre ein kleineres, offener dokumentiertes NV-Register wissenschaftlich besser?

TEIL VIII | WARUM JKU, WARUM LEIPZIG?

Drei sehr unterschiedliche Rollen – und gerade deshalb ein möglicher Dialog

Richard Küng hat Classical Shadows gemeinsam mit Hsin-Yuan Huang und John Preskill entwickelt. An der JKU leitet er das Department Quantum Computing; das laufende Projekt ‚quantum-enhanced shadows‘ untersucht skalierbare Quanten-zu-Klassisch-Konverter, Randomisierung, Lernen und zuverlässige Ausführung auf realer Hardware [5,14,15]. Das QAE-Projekt richtet den Blick zusätzlich auf die Lücke zwischen Quantenalgorithmen und industrieller Anwendung [16].

SAXON Q in Leipzig ist durch den t3n-Beitrag zum konkreten Ausgangspunkt meiner Neugier geworden [1]. DLR dokumentiert die NV-Technologie und abgenommene Vier-Qubit-Demonstratoren [3]. Die im August 2026 veröffentlichten Aussagen zu 128 beziehungsweise 512 Qubits, Fidelity und Energieeffizienz stammen dagegen vom Unternehmen selbst [2]. Sie sind ein möglicher Anlass für fachliche Prüfung – keine bereits unabhängig bestätigte Evidenz.

Meine eigene Rolle ist weder theoretische Entwicklung noch Hardwarebau. Ich kann Fragen aus der Perspektive komplexer Industrieprodukte formulieren, Kommunikation früh mitdenken, unterschiedliche Disziplinen an einen Tisch bringen und akzeptieren, dass der wissenschaftliche Inhalt den Fachleuten gehört. Sollte aus der Frage irgendwann eine Anwendung entstehen, möchte ich ihre Sprache verstehen, bevor die erste Kampagne geschrieben wird.

An Herrn Rektor Koch und Herrn Professor Küng

Sehr geehrter Herr Rektor Koch, sehr geehrter Herr Professor Küng, wenn diese Idee zumindest ausreichend Substanz für ein kurzes Orientierungsgespräch besitzt, würde ich mich über Ihre Einordnung freuen. Besonders wertvoll wäre für mich nicht Zustimmung, sondern die stärkste fachliche Gegenfrage: Welche Annahme müsste zuerst fallen, welches Experiment wäre entscheidend und welcher Hardwarezugang wäre wirklich sinnvoll?

Sollte die Antwort lauten, dass der Gedanke bereits gelöst, praktisch ungeeignet oder mathematisch falsch gerahmt ist, wäre auch das ein Gewinn. Sollte jedoch ein schmaler, prüfbarer Kern übrig bleiben, wäre genau das die Art von Zukunftsthema, die ich gern früh verstehen lerne.

Mit freundlichen Grüßen

Janine Wald

Geschäftsführerin und Eigentümerin | Agentur DMP

QUELLEN

Wissenschaftliche und institutionelle Referenzen

Alle Links wurden am 22. August 2026 geprüft. Unternehmens- und Roadmap-Aussagen werden als solche bezeichnet; wissenschaftliche Kernaussagen stützen sich bevorzugt auf peer-reviewte Primärarbeiten.

[1] t3n: Quantencomputer aus Diamanten in Leipzig – journalistischer Ausgangspunkt. Online aufrufen

[2] SAXON Q: Produktankündigung zu SXQ128/SXQ512 und eigener Skalierungsroadmap, August 2026. Unternehmensangaben, keine unabhängige Leistungsvalidierung. Online aufrufen

[3] DLR QCI: SuNQC – NV-Zentren in Diamant, Vier-Qubit-Demonstratoren und Skalierungstechnologie. Online aufrufen

[4] Fraunhofer IAF: Inbetriebnahme eines kompakten, raumtemperaturfähigen NV-Quantenbeschleunigers von Quantum Brilliance, 2025. Online aufrufen

[5] H.-Y. Huang, R. Küng, J. Preskill: Predicting many properties of a quantum system from very few measurements. Nature Physics 16, 1050-1057 (2020). Online aufrufen

[6] S. Chen, W. Yu, P. Zeng, S. T. Flammia: Robust Shadow Estimation. PRX Quantum 2, 030348 (2021). Online aufrufen

[7] T. Zhang et al.: Experimental Quantum State Measurement with Classical Shadows. Physical Review Letters 127, 200501 (2021). Online aufrufen

[8] R. Levy, D. Luo, B. K. Clark: Classical shadows for quantum process tomography on near-term quantum computers. Physical Review Research 6, 013029 (2024). Online aufrufen

[9] J. Kunjummen et al.: Shadow process tomography of quantum channels. Physical Review A 107, 042403 (2023). Online aufrufen

[10] S. Ma, J. Liu: The efficiency frontier: Classical shadows versus direct quantum measurement. Quantum Machine Intelligence 8, 67 (2026). Online aufrufen

[11] T. Jäger et al.: Modeling quantum volume using randomized benchmarking of room-temperature NV center quantum registers. npj Quantum Information 12, 6 (2026). Online aufrufen

[12] M. H. Abobeih et al.: Fault-tolerant operation of a logical qubit in a diamond quantum processor. Nature 606, 884-889 (2022). Online aufrufen

[13] M. Iuliano et al.: Unconditionally teleported quantum gates between remote solid-state qubit registers. Nature Communications (2026). Online aufrufen

[14] JKU: Richard Küng – Leiter des Departments Quantum Computing und stellvertretender Leiter des IICQC. Online aufrufen

[15] JKU Research Portal: quantum-enhanced shadows – scalable quantum-to-classical converters, 2024-2029. Online aufrufen

[16] JKU Research Portal: QAE – Quantum Algorithm Engineering: Bridging the Gap to Industrial Applications, 2026-2029. Online aufrufen

[17] JKU: Rektorat der Johannes Kepler Universität Linz. Online aufrufen

[18] C. Cedillo Vayson de Pradenne, J. Cotler, H.-Y. Huang: Learning Hamiltonians at Long Times. Preprint arXiv:2606.05690 (2026). Online aufrufen

Leseschlüssel

Die Formeln in diesem Essay sind keine Dekoration. Sie markieren jeweils eine prüfbare Bedingung: exponentielle Zustandsdimension, statistische Schätzung, Shadow-Norm, physikalisches NV-Modell, Driftmetrik, Prozessdarstellung und Full-Stack-Zeit. Die Projektidee trägt nur dort, wo diese Ebenen zusammenpassen.