„Im Wesentlichen geht es darum, verschiedene Modalitäten aufeinander auszurichten“
Klassische Systeme und Quantensysteme als eine kollektive Intelligenz
In seiner Forschung befasst sich Philipp Altmann mit der Frage, wie verschiedenartige Systeme ineinandergreifen und zusammen intelligent sein können. Auch das Quantum Machine Learning zählt dazu. Für seine Arbeit sind dem jungen Informatiker Vielseitigkeit und die Möglichkeit, immer wieder etwas Neues dazuzulernen, wichtig.
Von Maria Poxleitner
„Getränke in Becher.“ So beschreibt Philipp Altmann mit einem kleinen Augenzwinkern seine Nebentätigkeit als Barkeeper auf Festivals, mit der er sich während seines Studiums etwas Geld dazu verdiente. Auch in der TonHalle – eine Konzerthalle für internationale Rock- und Popkonzerte im Münchner Werksviertel am Ostbahnhof – jobbte der heute 29-Jährige gelegentlich an der Bar. Die Arbeit sei zwar stressig, erzählt er, aber sobald man etwas Routine habe, könne man zwischen den Pausen auch den Bands zuhören. Live-Musik zu erleben und neue Bands kennenzulernen, ermöglichte ihm auch seine ehrenamtliche Tätigkeit beim Kulturspektakel Gauting, einem kleinen Open-Air-Festival, das von jungen Erwachsenen organisiert wird und bei dem Philipp unter anderem für die Auswahl und Betreuung der Künstler:innen zuständig war. Auf Veranstaltungen zu arbeiten und dafür Sorge zu tragen, dass alles reibungslos funktioniert – „quasi alle Zahnräder ineinandergreifen“ – habe ihm schon immer Spaß gemacht.
Auf einer deutlich abstrakteren Ebene geht es auch in Philipps Forschung darum, dass die Zahnräder ineinandergreifen. Das übergeordnete Thema, unter dem sich seine Forschungstätigkeit am Informatik-Lehrstuhl für Mobile und Verteilte Systeme der Ludwig-Maximilians-Universität München (LMU) zusammenfassen lässt, sei das Themenfeld „Kollektive Intelligenz“, erklärt der Informatiker: „Der Begriff beschreibt Systeme, in denen mehrere Komponenten zusammen intelligent sind.“ Diese Komponenten, die zusammen funktionieren sollen, weisen dabei meist sehr verschiedenartige Modalitäten auf, verarbeiten Information also auf unterschiedliche Art und Weise. „Ein Mensch spricht nicht binär und hat somit eine andere Modalität als ein Computer“, lautet Philipps Beispiel. In seiner Promotion habe sich deshalb vieles um die Frage gedreht, wie grundlegend verschiedene Systeme und Methoden zusammenarbeiten und ineinandergreifen können: „Im Wesentlichen geht es darum, verschiedene Modalitäten aufeinander auszurichten.“ Im Idealfall nehme man dann keine einzelnen Komponenten mehr wahr, sondern ein funktionierendes System.
„Entweder ich nehme Quantencomputer, um Machine Learning zu verbessern oder ich nehme Machine Learning, um Quantencomputer zu verbessern.“
Kollektive Intelligenz habe sehr viele verschiedene Ausprägungen, betont der Informatiker. Auch das Quantenmaschinenlernen oder Quantum Machine Learning – ein Kollektiv aus Quantencomputer und klassischem Machine-Learning-Programm – zählt dazu und bildete einen Schwerpunkt in Philipps Doktorarbeit. Was es mit Maschinellem Lernen auf sich hat, bricht dieser in wenige Worte herunter: „Wenn ich ein klassisches Computerprogramm benutze, dann habe ich einen Input, das Programm rechnet und liefert einen Output, wie bei einem Taschenrechner. Beim Machine Learning ist das anders. Da haben wir den Input und den Output und wir suchen das Programm.“ Ziel des Ganzen sei es, dass der Computer lerne ein Problem zu lösen, indem er Daten korreliere, die in irgendeiner Form vorliegen. Was nun das Quantum Machine Learning betreffe, gäbe es im Grunde zwei Richtungen, führt der junge Wissenschaftler weiter aus: „Entweder ich nehme Quantencomputer, um Machine Learning zu verbessern oder ich nehme Machine Learning, um Quantencomputer zu verbessern.“
Philipp Altmann, 29
Position
Doktorand
Institut
LMU – Lehrstuhl für Mobile und Verteilte Systeme
Q-DESSI & QACI
Studium
Medieninformatik, Informatik
In seiner Forschung im Bereich des Quantum Machine Learning untersucht Philipp, wie Quantencomputing und klassisches Maschinelles Lernen voneinander profitieren können. Dabei ist sein Ziel, dafür zu sorgen, dass diese beiden grundlegend verschiedenen Methoden ineinandergreifen und im Sinne einer kollektiven Intelligenz als ein System funktionieren.
Letzteres bildete beispielsweise den Ansatz in einem Paper, in dem Philipp und seine Kolleg:innen untersuchten, inwiefern Reinforcement Learning – eine bestimmte Unterart des Maschinellen Lernens – eingesetzt werden kann, um Quantenschaltkreise zu entwerfen und zu optimieren. Beim Reinforcement Learning lernt ein sogenannter Agent – ein selbstständig agierendes Computerprogramm – ein Problem zu lösen, indem er mit seiner Umgebung interagiert. In Philipps Fall besteht das Problem darin, einen Quantenschaltkreis zu finden, der einen anfänglichen Quantenzustand, in dem ein Rechenregister an Qubits vorliegt, in einen vorgegebenen Endzustand überführt. „Der Agent kann Aktionen ausführen, in unserem Fall bestimmte Quantengatter anwenden und kombinieren. Indem er die Änderung wahrnimmt, die seine Aktionen hervorrufen, werden Erfahrungen generiert“, erklärt der Informatiker. Letztlich kann der Agent über „trial and error“ lernen, welche Kombination an Gattern am besten geeignet ist, um den gewünschten Endzustand zu erreichen.
Von langer Hand geplant als Informatiker im Bereich des Quantencomputing zu forschen, hat Philipp nicht. „Ich glaube die grundlegende Art und Weise wie Informatik funktioniert, das analytische Denken, das Problemlösen, das hat mir schon immer gelegen.“ Was ihm am Bachelorstudiengang Medieninformatik, für den er sich schließlich entschied, dann aber besonders reizte, sei dessen Vielseitigkeit gewesen. Im Rahmen des Faches Mensch-Maschine-Interaktion habe man zum Beispiel auch Grundlagen der Psychologie gehört. „Das fand ich auch immer ein spannendes Thema.“
„Ich glaube, dass die spannenden Themen immer genau da liegen, wo man über das, was einem vorgegeben wird, hinausgeht.“
Für den Master wechselte Philipp zwar in die reine Informatik, viel ausprobieren zu können, sei ihm aber weiterhin wichtig gewesen. „Ich glaube, dass die spannenden Themen immer genau da liegen, wo man über das, was einem vorgegeben wird, hinausgeht.“ Nicht nur das umfangreiche Kursangebot an der LMU, auch diverse Werkstudententätigkeiten oder sein ehrenamtliches Engagement beim Kulturspektakel Gauting waren für Philipp stets Möglichkeiten, sich auszuprobieren und Neues zu lernen. Im Rahmen einer Vorlesung schnupperte der junge Informatiker zum ersten Mal in das Thema Quantencomputing hinein. Den Gedanken, dieses Thema im Rahmen einer Promotion weiterzuverfolgen, hatte er zu diesem Zeitpunkt aber noch nicht. Er interessierte sich vor allem für die Veranstaltungen zu Maschinellem Lernen und insbesondere Reinforcement Learning an seinem jetzigen Lehrstuhl. Als schließlich klar war, dass Philipp als Doktorand am Lehrstuhl bleiben würde, stand für ihn lediglich fest, dass er weiterhin in diesem Feld forschen wollte. Da sich der Lehrstuhl zu diesem Zeitpunkt erfolgreich um mehrere Quantencomputing-Projekte beworben hatte, wurde schließlich dieses Thema an ihn herangetragen. Rückblickend ist er sehr zufrieden damit. An seinem Promotionsthema gefällt ihm, dass es so vielseitig ist. Interdisziplinäre Kontexte, in denen immer wieder neue Aspekte dazukommen, finde er besonders reizvoll, sagt Philipp: „Mich motivieren besonders Themen, die Raum für neue Perspektiven bieten.“
Eine neue Erfahrung war für den jungen Informatiker auch das erste Annual Meeting des Munich Quantum Valley, an dem er seither jährlich teilnimmt. Es sei immer sehr spannend, weil so viele Wissenschaftler:innen aus verschiedenen Disziplinen zusammenkämen. „Ich finde das immer einen schönen Impuls.“ Andererseits sei es auch gewöhnungsbedürftig, mit so vielen fachfremden Vorträgen konfrontiert zu werden. „Was da genau physikalisch auf Hardware-Ebene passiert – da bin ich komplett raus, habe ich nie gelernt, habe ich nie irgendwo studiert,“ betont Philipp lachend. Aber über die Jahre gewöhne man sich an die Art und Weise, wie Wissenschaftler:innen anderer Fachrichtungen über Sachen reden. Man verstehe die Implikationen von den Forschungsergebnissen der anderen: „Man sieht, welche Konsequenzen sich daraus für die eigene Arbeit ergeben und wo die Disziplinen ineinandergreifen.“ Auch sei es schön, den eigenen Beitrag zu sehen, den man zu so einem großen Projekt beisteuere, fährt Philipp fort. „Mein Hintergrund war immer Machine Learning, ich hatte schon immer diese Perspektive ‚Hey, hier kann man mit Machine Learning etwas bewegen‘.“ Speziell Reinforcement Learning sei mittlerweile ein etablierter Ansatz im Bereich des Quantum Circuit Designs, aber zum Beispiel auch für die Konstruktion von Quantenfehlerkorrekturcodes.
Seine Doktorarbeit hat Philipp bereits abgegeben, nur die Verteidigung steht noch bevor. Zu sehen, was sich über die Jahre an Publikationen und Erfahrungen angesammelt habe, mache die unvermeidlichen Momente der Frustration, die zu einer Promotion auch dazugehörten, wieder wett, findet der Informatiker. Er möchte gerne weiterhin in der Forschung arbeiten und hält bereits Ausschau nach einer neuen Stelle. Zwar sei eine Umbruchphase immer mit gewissen Unsicherheiten verbunden, aber Philipp sieht es positiv – bietet sie doch wieder Platz für Neues.
Veröffentlicht am 27. Februar 2026; Interview am 10. Dezember 2025.