News

Kreditkarten: Projekt zum Betrugsschutz durch Quantencomputing

Berlin, 12. März 2025 - Im Rahmen eines Forschungsprojekt haben die Bundesdruckerei und das Fraunhofer Instituts für Arbeitswirtschaft und Organisation (IAO) große Fortschritte im Bereich des Quantum Machine Learning (QML) erzielt. Ein innovatives Modell zur Anomalie- und Betrugserkennung bei Kreditkartentransaktionen wurde auf Basis des sogenannten Quanten Kernel entwickelt. 

Modell zur Anomalie- und Betrugserkennung bei Kreditkartentransaktionen 

Das gemeinsame Forschungsprojekt hatte das Ziel, durch den Einsatz von Quantencomputing neue leistungsfähige Sicherheitslösungen zu entwickeln. Die Forschenden der Bundesdruckerei und des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation konzentrierten sich dabei auf das Erkennen von Anomalien, welche auf betrügerische Aktivitäten hinweisen könnten. Der Forschungsmeilenstein wurde im Rahmen des vom Bundesministerium für Finanzen (BMF) beauftragten Projekts Qu-Gov zur Erforschung von Anwendungsfällen von Quantentechnologie erreicht. Ali Abedi, Senior Innovation Developer der Bundesdruckerei und Leiter der Kollaboration mit dem Fraunhofer IAO zeigt sich sehr zufrieden mit den Ergebnissen der Zusammenarbeit: „Wir werden die Ergebnisse aus der gemeinsamen Forschung weiterhin in Proof of Concepts zur Nutzung von Quantentechnologien in der Verwaltung der Zukunft evaluieren.“ 

Hybrider Ansatz mit Machine-Learning und Quantenmechanik 

Die Wissenschaftlerinnen und Wissenschaftler kombinierten beim Bau des Modells Machine-Learning-Verfahren mit Quantenmechanischen Prinzipien. Durch den Einsatz von projizierten Quanten-Kerneln – einer Technik des Quanten-Maschinenlernens, bei der Quantensysteme zur Berechnung von Ähnlichkeitsmaßen zwischen Datenpunkten in hochdimensionalen Merkmalsräumen eingesetzt werden – sollen Quantencomputer für potenziell schnellere und leistungsfähigere Modelle des Maschinenlernens genutzt werden. In einem umfassenden Testprogramm lief das Modell auf verschiedenen Quantencomputern führender Hersteller wie IBM Quantum, IonQ und AQT. Die Ergebnisse zeigen, dass das Modell auch auf Supraleiter- und Ionenfallenchips der aktuellen Generation vielversprechende Ergebnisse liefert. Die Fähigkeit des maschinellen Quantenlernens, auch mit sehr begrenzten Datenmengen gute Ergebnisse zu erzielen, könnte auch neue Perspektiven in vielen Bereichen eröffnen, zum Beispiel bei der Erkennung seltener Krankheiten in der Medizin.