IT-Nachwuchsforschung in Österreich

Weitere Magazine

Empfehlungen

Info

Quantencomputern führt diese erhöhte Komplexität jedoch zu mehr Fehlern und Ungenauigkeit. Ein optimales Mapping zu finden, das alle Anforderungen der Hardware berücksichtigt, während gleichzeitig die Komplexität nur minimal erhöht wird, ist ein hoch-komplexes Problem, welches nur für äußerst kleine Quantencomputer berechenbar ist. Das Quantum Mapping Tool (QMAP 2 ) des MQT hilft bei genau diesem Problem. QMAP erlaubt es Mappings zu finden, die alle Einschränkungen der Quantencomputer erfüllen, während gleichzeitig die dadurch entstehende Komplexität minimiert wird. Dazu bietet QMAP mehrere komplementäre Ansätze. Unter anderem wird ein heuristischer Ansatz unterstützt, der auf beliebige Schaltungen angewendet werden kann und ein optimaler Ansatz, welcher immer die minimale Anzahl an SWAP-Operationen findet. VERIFIKATION Durch die Kompilierung wird der ursprüngliche Algorithmus meist stark transformiert. Anschließend ist oft nicht mehr direkt nachvollziehbar, ob die ursprüngliche Funktionalität des Quantenalgorithmus bei der Kompilierung erhalten geblieben ist. Bevor der kompilierte Quantenalgorithmus nun ausgeführt wird, ist es oft notwendig, dessen Korrektheit zu verifizieren. Wie schon das Mapping-Problem ist diese Verifikation schwierig und für größere Quantenschaltkreise aufgrund der Komplexität oft nicht in vernünftiger Zeit entscheidbar. Das MQT bietet das Quantum Circuit Equivalence Checking Tool (QCEC 3 ), welches bei dieser Aufgabe unterstützt. Das QCEC-Tool stellt mehrere verschiedene Methoden bereit, um die Äquivalenz von zwei Quantenschaltungen zu verifizieren. Dabei wird eine grundlegende Eigenschaft aller Quantenschaltungen ausgenutzt, nämlich dass diese reversibel sind. Dies erlaubt es die Äquivalenz von zwei Schaltungen auf die Frage zurückzuführen, ob die Kombination eines Schaltkreises mit dem Inversen des zweiten Schaltkreises die Identität realisiert. Diese Fragestellung lässt sich durch den Einsatz von anwendungsspezifischen Heuristiken in vielen praktisch relevanten Fällen bedeutend leichter beantworten. Darüber hinaus führt die Reversibilität dazu, dass selbst kleine Fehler oft durch wenige Simulationen mit zufälligen Inputs erkannt werden können. SIMULATION Die Simulation von Quantenschaltkreisen auf klassischen Computern hat neben der Verifikation auch noch weitere Einsatzgebiete. So unterstützten Simulatoren die Entwicklung von neuen Quantenalgorithmen und erlauben jederzeit Zugriff auf den gesamten Quantenzustand, während echte Quantencomputer nur probabilistische Messergebnisse liefern können. Weiter erlauben diese Simulatoren zu testen, wie sich Algorithmen verhalten, wenn sie auf echten, d. h. fehleranfälligen Quantencomputern ausgeführt werden. Ein weiterer Vorteil besteht darin, dass solche Simulatoren kostenlos und einfach zur Verfügung stehen, während der Zugriff auf echte Quantencomputer mitunter kompliziert, limitiert und teuer ist. Die klassische Simulation von Quantenschaltkreisen ist also eine nützliche und wichtige Aufgabe. Für diese Simulation werden die Quantenzustände oft als Vektoren dargestellt. Diese Art der Darstellung führt jedoch rasch zu Problemen, da jedes zusätzlich betrachtete Quantenbit die Größe dieses Vektors verdoppelt. Aufgrund dieses exponentiellen Wachstums stoßen selbst Supercomputer hier schnell an ihre Grenzen. Simulationsmethoden, die auf Entscheidungsdiagrammen basieren, sind ein 1 https://mqt.readthedocs.io/en/latest/ 2 https://github.com/cda-tum/mqt-qmap 3 https://github.com/cda-tum/mqt-qcec 4 https://github.com/cda-tum/mqt-ddsim vielversprechender komplementärer Ansatz, der den benötigten Speicherplatz durch Ausnutzung von Redundanzen im simulierten Quantenzustand in vielen Fällen zu reduzieren. Das MQT bietet einen auf Entscheidungsdiagrammen basierenden Quantenschaltungssimulator namens DDSIM (DDSIM 4 ) der Quantenschaltungen simuliert, die in gängigen Formaten vorliegen können. Weiters unterstützt DDSIM auch verschiedene Möglichkeiten Fehlermodelle bei der Simulation zu berücksichtigen, um festzustellen, wie sich Quantenalgorithmen unter Realbedingungen verhalten. FAZIT In diesem Artikel wurde das Munich Quantum Toolkit (MQT) vorgestellt – eine Sammlung von Softwarelösungen, die bei Entwurfsautomatisierungsproblemen von Quantencomputern helfen. Dieser Artikel beschränkt sich auf die Vorstellung einiger der unterstützten Werkzeuge, weiterführende Links erlauben es jedoch interessierten Leser*innen, sich näher mit dem MQT zu beschäftigen. Thomas Gurl schloss sein Doktorratsstudium Ende 2023 an der Johannes Kepler Universität Linz mit Auszeichnung ab. Seine Forschungsinteressen beinhalten Entwurfsautomatisierung für Quantencomputer, klassische Simulation von Quantenschaltkreisen und Informationssicherheit. 8 OCG Journal | 01 • 2024
Young Researchers‘ Day Sicherheitsrisiken bei großen Sprachmodellen wie ChatGPT von Caroline Lawitschka LLM Prompt Injections Bei großen Sprachmodellen (Large Language Models, LLMs) wie ChatGPT handelt es sich um KI-Systeme, welche mittels großer Datenmengen darauf trainiert werden, statistische Muster in Sprache zu erkennen und kohärente wie kontextbezogene Texte zu erzeugen. Besonders relevant sind hierbei Prompt-Eingaben der Nutzer*innen. Diese Eingaben sind entscheidend, da sie bestimmen, wie das Modell Informationen verarbeitet und Antworten generiert. Dieses Vorgehen birgt jedoch Sicherheitsrisiken, die nicht unterschätzt werden dürfen. WO DIE PROBLEME ENTSTEHEN Grundsätzlich erhält ein LLM ein Anweisungspaket, welches sich aus dem sogenannten Kontext und dem eingegebenen Prompt zusammensetzt. Hierbei bildet der Kontext die konkrete Art und Weise wie die Aufgabe gelöst werden soll und der Prompt die Anweisung selbst. Ein Beispiel: Bei einer Übersetzungsaufgabe bildet “Übersetze vom Englischen ins Deutsche” den Kontext, und der deutsche Satz ist der Prompt. Ein Sicherheitsrisiko entsteht insbesondere dann, wenn ein Prompt innerhalb eines Systems im Backend weiterverarbeitet wird und sich die Antworten und Anweisungen des LLMs nicht mehr auf die reinen Trainingsdaten beziehen. Beispielsweise könnten in einer Versicherungs-App Nutzer*innen persönliche Informationen über einen Prompt eingeben, die dann zur Suche in einer Datenbank verwendet werden. Die von Nutzer*innen eingegeben Daten finden so also ihren Weg ins Backend, werden dort potentiell weiterverarbeitet und erweitern daraufhin den Kontext des LLMs. Genau hier kommt die sogenannte Prompt Injection ins Spiel. Eine Prompt Injection ist eine spezielle Form des Angriffs, die darauf abzielt, die ursprünglichen Anweisungen des LLMs zu manipulieren oder sogar gänzlich zu überschreiben. Da das Anweisungspaket eines LLMs aus Kontext und Prompts besteht haben Nutzer*innen so zwangsläufig Zugriff auf das Verhalten des Modells. POTENTIELLE ANGRIFFSFLÄ- CHEN Diese Art der Angriffe stellen ganz grundsätzlich eine Gefahr für die Vertraulichkeit, Integrität und Verfügbarkeit einer Applikation und ihrer Daten dar und können sich gegen verschiedene Aspekte einer Applikation richten. Zum einen kann der Kontext des LLMs selbst geleakt werden, indem man über den Prompt die Anweisung gibt, bisherige Direktiven zu ignorieren und stattdessen die ursprünglichen Anweisungen preiszugeben. Des Weiteren können natürlich auch Daten von Nutzer*innen in Gefahr sein. Beispielsweise kann eine Prompt Injection ganz klassisch wie eine SQL Injection fungieren, sollte der Prompt ungefiltert eine Datenbank erreichen. Die Funktionsfähigkeit der Applikation selbst kann ebenfalls einer Prompt Injection zum Opfer fallen, indem man auch hier die Anweisung gibt, bisherige Direktiven zu ignorieren und beispielsweise nur noch anstößige Inhalte wiederzugeben oder gar überhaupt nicht mehr auf Prompts zu reagieren. Das Modell selbst kann ebenfalls über vermehrte anstößige Prompts in Mitleidenschaft gezogen werden, da dies eine potentielle Auswirkung auf zukünftige Generationen haben kann. Grafik zu Chat GPT, Jänner 2024(c) Caroline Lawitschka 01 • 2024 | OCG Journal 9
Seite 1 und 2: OCG Journal Ausgabe 01 • 2024 | C
Seite 3 und 4: Inhalt [ 20 Young Researchers‘ Da
Seite 5 und 6: Young Researchers‘ Day AK IT-Sich
Seite 7: Young Researchers‘ Day Bluetooth
Seite 11 und 12: Young Researchers‘ Day Daten aus
Seite 13 und 14: Young Researchers‘ Day Grafik Glo
Seite 15 und 16: Young Researchers‘ Day niedrigem
Seite 17 und 18: Young Researchers‘ Day die Anwend
Seite 19 und 20: Young Researchers‘ Day Julia Made
Seite 21 und 22: Ausgewählte Forschung Abbildung 1:
Seite 23 und 24: Ausgewählte Forschung der Anwendun
Seite 25 und 26: Ausgewählte Forschung Schutz der P
Seite 27 und 28: Ausgewählte Forschung mous problem
Seite 29 und 30: Ausgewählte Forschung fristigen Un
Seite 31 und 32: Ausgewählte Forschung auch für Cl
Seite 33 und 34: ausfordern und deren algorithmische
Seite 35 und 36: Wettbewerbe Screenshot Java Wiz (c)
Seite 37 und 38: Wettbewerbe OCG Förderpreis-FH 202
Seite 39 und 40: Intern Veranstaltungen und Termine

IT-Nachwuchsforschung in Österreich

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?