Quantencomputing – Dr. Christian Tutschku

uantencomputing hat das Potenzial, Probleme zu lösen, die mit herkömmlichen Rechnerarchitekturen nicht oder nur eingeschränkt lösbar sind.«

Dr. Christian Tutschku, Leiter Team »Quantencomputing« am Fraunhofer IAO

Fachgebiete:

• Quantencomputing
• Theoretische Physik
• Topologische Materialien

Kurzvita:

Dr. rer. nat. Christian Tutschku

Christian Tutschku studierte Physik an der Julius-Maximilians-Universität in Würzburg. Seine Bachelorarbeit schrieb er im Gebiet der Teilchenphysik. Schon im Master spezialisierte er sich dann auf Quantencomputing und promovierte auch in seinem heutigen Fachgebiet. Direkt darauf stieg er am 1. Januar 2021 beim Fraunhofer IAO ein, wo er heute das Team Quantencomputing leitet. 

• 2011-2014: Physik, Bachelor of Science, Fokus: Quantenfeldtheorie, Julius-Maximilians-Universität Würzburg
• 2014-2016: Physik, Master of Science, Fokus: Topologisches Quantencomputing, Julius-Maximilians-Universität Würzburg
• 2016-2021: Promotion in theoretischer Festkörperphysik, Fokus: Quanten Anomaler Haller Effekt, Julius-Maximilians-Universität Würzburg:
• 2020 – 2021: DPG-Mentoring-Programm: Fachkompetente Beratung zum Industriellen Berufseinstieg
• 2021: IBM Quantum Summer School, Quantum Machine Learning, Certificate of Excellence
• Seit Januar 2021 am Fraunhofer IAO:
  • Jan. 2021– Nov. 2021 Wissenschaftlicher Mitarbeiter, Quantum Software Entwickler, Projektleiter
  • Dez. 2021– heute Teamleiter Quantencomputing, wissenschaftlicher Betreuer PhD Programme, Projektleiter

Publikationen (Auswahl)

• Loos, S., Bickert, F., Dotzel, M., Tutschku, C. K., & Kaiser, S. (2024). „Potenziale und Bedarfe des Quantencomputing-Ökosystems.“ In O. Riedel, K. Hölzle, W. Bauer, & B. Bienzeisler (Hrsg.), https://doi.org/10.24406/publica-3013 
• Berberich, J., Fink, D., Pranjić, D., Tutschku, C., & Holm, C. (2024). Training robust and generalizable quantum models. Physical Review Research, 6, 043326. url: https://doi.org/10.48550/arXiv.2311.11871
• Pranjić, D., Knäble, F., Kunst, P., Kutzias, D., Klau, D., Tutschku, C., Simon, L., & Kraus, M. (2024). Unsupervised Quantum Anomaly Detection on Noisy Quantum Processors. ArXiv e-prints, 2411.16970. url: https://doi.org/10.48550/arXiv.2411.16970.
• Pranjić, D., Mummaneni, B. C. (2024). Quantum Annealing based Feature Selection in Machine Learning. ArXiv e-prints, 2411.19609. https://doi.org/10.48550/arXiv.2411.19609.
• Basilewitsch, D., Bravo, J. F., Tutschku, C., & Struckmeier, F. (2024). Quantum Neural Networks in Practice: A Comparative Study with Classical Models from Standard Data Sets to Industrial Images. ArXiv e-prints, 2411.19276. url: https://doi.org/10.48550/arXiv.2411.19276
• S. Loos, F. Bickert, M. Dotzel, C. K. Tutschku, & S. Kaiser (2024). „Potenziale und Bedarfe des Quantencomputing-Ökosystems.“ In O. Riedel, K. Hölzle, W. Bauer, & B. Bienzeisler url: https://doi.org/10.24406/publica-3013
• Tutschku, C., Sturm, A., Knäble, F., Mummaneni, B. C., Pranjic, D., Stephan, C., Mayer, D. B., Koßmann, G., Roth, M., Matt, P.-A., Grigorjan, A., Wellens, T., König, K., Beisel, M., Truger, F., Shagieva, F., Denninger, O., Garhofer, S., (2023). “Quantencomputing in der industriellen Applikation. Vom Algorithmen-, Markt- und Hardwareüberblick hin zu anwendungszentriertem Quantensoftware-Engineering“. https://doi.org/10.24406/publica-805 
• 12th Int. Conference on Data Science, Technology and Applications (2023), Benchmarking Automated Machine Learning Methods for Price Forecasting Applications, Horst Stühler, Marc-André Zöller, Dennis Klau, Alexandre Beiderwellen Bedrikow, Christian Tutschku. (Hrsg.), https://doi.org/10.24406/publica-3013