Die Arbeit untersucht die Beschleunigung von Berechnungen auf Quanten-Computern durch die Nutzung quantenmechanischer Eigenschaften im Vergleich zu klassischen Systemen. Es wird auf die bisher unbewiesene These eingegangen, dass Quanten-Computer nicht in Polynomialzeit von klassischen Computern simuliert werden können, und es werden zahlreiche Erkenntnisse präsentiert, die diese Annahme unterstützen. Die Analyse bietet einen tiefen Einblick in die Möglichkeiten und Herausforderungen der Quanteninformatik.
Der aktuelle Trend, dass produzierende Unternehmen vom Produktanbieter zum Lösungsanbieter avancieren, hebt die Bedeutung der Produktnutzungsphase für die Produktentwicklung hervor. Durch den Verkauf maßgeschneiderter Gesamtlösungen, die Sachleistungen und Dienstleistungen kombinieren, streben Unternehmen an, den Sachleistungsanteil so zu optimieren, dass Wartung und Instandhaltung kosteneffizient und minimal gehalten werden. Dies erfordert von Produktentwicklern, neben traditionellen Designparametern auch die Anforderungen der späteren Produktlebenszyklusphasen zu berücksichtigen. Aufbereitete Produktnutzungsinformationen bestehender Produkte können dabei helfen, kritische Komponenten zu identifizieren und Verbesserungspotenziale für neue Generationen abzuleiten.
Vor dem Hintergrund identifizierter Defizite heutiger PLM-Lösungen in der Integration der Produktentwicklung mit nachgelagerten Lebenszyklusphasen wurde ein Konzept für die wissensbasierte Rückführung von Produktnutzungsinformationen in die Produktentwicklung entwickelt. Die zentrale Idee besteht darin, Produktnutzungsinformationen aus der Nutzungsphase in Wissen umzuwandeln, basierend auf intelligenten Knowledge Discovery Methoden. Dieses Wissen wird dann für Ingenieure und Konstrukteure zukünftiger Produktgenerationen in einem geschlossenen Feedbackzyklus aggregiert und bereitgestellt. Das Konzept umfasst detaillierte Vorgehensweisen zur Erfassung, Rückführung, A
Noch vor wenigen Jahrzehnten galt es in der Wissenschaft im Allgemeinen und der Künstlichen Intelligenz im Besonderen den Faktor Unsicherheit möglichst zu vermeiden. Diese Einstellung hat sich in den letzten Jahren grundlegend geändert. Vielmehr wird heute die Auseinandersetzung mit Unsicherheit als wichtiger Faktor in der Modellbildung betrachtet, was es in vielen Situationen erst ermöglicht, passende approximative Modelle zu kreieren, deren Komplexität sich in Grenzen hält. Die Künstliche Intelligenz bietet verschiedenste Ansätze zur Behandlung von Unsicherheit. Stichworte sind beispielsweise: Nichtmonotone Logik, Regeln mit Unsicherheitsfaktoren, Fuzzy-Logik oder graphbasierte Repräsentationen wie Bayes'sche Netze und Entscheidungsnetze, welche die zentralen Studienobjekte der vorliegenden Arbeit darstellen. Gerade Bayes'sche Netze werden in den letzten Jahren als das graphische Framework gehandelt, das verschiedenste Aspekte der Künstlichen Intelligenz vereint, die Unzulänglichkeiten der eng verwandten Neuronalen Netze (z. B. in Bezug auf ihre Interpretierbarkeit) überwindet und einmal der Schlüssel für erfolgreiche intelligente Anwendungen und Produkte sein wird.
