Was kann ein Quantencomputer wirklich? Problemklassen, Hardware-Stand, Grenzen

Kurz gesagt: Ein Quantencomputer ist kein schnellerer PC, sondern ein Spezialwerkzeug für wenige Problemklassen: große Zahlen zerlegen (und damit heutige Public-Key-Kryptografie brechen) und Moleküle bzw. Materialien simulieren. Für fast alles andere — auch das Training von KI-Modellen — ist kein praktischer Vorteil in Sicht. Die Hardware kann heute noch keins dieser Versprechen einlösen, macht aber messbare Fortschritte bei der Fehlerkorrektur. Im Homelab kommt das Thema trotzdem schon an: über die Verschlüsselung von SSH.

Wer Schlagzeilen über Quantencomputer liest, bekommt meist eines von zwei Bildern: den Rechner, der „in Minuten schafft, wofür ein Supercomputer Jahrtausende braucht“, oder die Maschine, die morgen alle Passwörter knackt. Beide Bilder haben einen wahren Kern und sind beide schief. Dieser Artikel sortiert, was ein Quantencomputer nach heutigem Wissen wirklich kann — und wie gut die einzelnen Aussagen belegt sind. Den größeren Rahmen, also wo Quantencomputer zwischen Photonik, neuromorphen Chips und Co. stehen, zeichnet die Landkarte Was kommt nach CPU und GPU?.

Ein Qubit ist kein schnelleres Bit #

Ein klassisches Bit ist 0 oder 1. Ein Qubit (Quantenbit) kann sich in einer Überlagerung (Superposition) beider Zustände befinden: Sein Zustand wird durch zwei Zahlen beschrieben, die angeben, wie stark 0 und 1 jeweils „beteiligt“ sind. Mehrere Qubits können zusätzlich verschränkt sein — ihr gemeinsamer Zustand lässt sich dann nicht mehr als Summe einzelner Qubits beschreiben.

Daraus entsteht der oft zitierte Satz „n Qubits rechnen mit 2ⁿ Werten gleichzeitig“. Das stimmt in einem engen Sinn und führt trotzdem in die Irre. Wahr ist: Um den Zustand von n Qubits vollständig aufzuschreiben, braucht ein klassischer Rechner 2ⁿ Zahlen. Aber beim Auslesen (der Messung) bekommt man nur n gewöhnliche Bits heraus — und welche, entscheidet der Zufall, gewichtet nach dem Zustand. Die 2ⁿ Werte stehen also nicht als Ergebnisliste zur Verfügung.

Ein Quantenalgorithmus funktioniert deshalb anders als „alles parallel ausprobieren“: Er ordnet die Rechnung so an, dass sich die Beiträge falscher Antworten gegenseitig auslöschen und die der richtigen verstärken — Interferenz, wie bei Wellen auf einem Teich. Das gelingt nur bei Problemen mit passender mathematischer Struktur. Genau deshalb ist ein Quantencomputer ein Spezialist.

Ein kleines Rechenbeispiel zeigt, warum man Quantencomputer nicht einfach auf dem PC nachbauen kann. Rechnung, keine Messung: Speichert man jede der 2ⁿ Zahlen als komplexe Zahl mit doppelter Genauigkeit (16 Byte), dann brauchen

• 30 Qubits: 2³⁰ × 16 Byte = 16 GiB — passt in den RAM eines gut ausgestatteten Homeservers,
• 40 Qubits: 2⁴⁰ × 16 Byte = 16 TiB,
• 50 Qubits: 2⁵⁰ × 16 Byte = 16 PiB.

Jedes zusätzliche Qubit verdoppelt den Speicher. Diese Explosion ist der Grund, warum Quantensysteme klassisch so schwer zu simulieren sind — und zugleich der Grund, warum ein Quantencomputer bei der Simulation von Quantensystemen im Vorteil sein könnte.

In Vorbereitung: Warum ein Qubit kein superschnelles Bit ist · Wie viele Qubits kann ein normaler PC simulieren?

Wo ein Vorteil belegt oder zumindest erwartet ist #

Die ehrliche Liste ist kurz. Wichtig ist bei jedem Punkt die Frage: Ist der Vorteil mathematisch bewiesen, nur vermutet, oder schon auf echter Hardware gezeigt?

1. Große Zahlen zerlegen (Shor) #

Peter Shor hat Mitte der 1990er gezeigt, dass ein Quantencomputer große Zahlen in Primfaktoren zerlegen und diskrete Logarithmen berechnen kann, und zwar mit einer Schrittzahl, die nur polynomiell mit der Zahl der Stellen wächstBelegt. Für klassische Rechner gelten beide Probleme als schwer — darauf beruhen RSA und die Diffie-Hellman-Varianten, mit denen heute SSH, TLS und VPNs ihre Schlüssel aushandeln.

Das ist der stärkste bekannte Quantenvorteil: nicht ein paar Prozent, sondern der Unterschied zwischen „praktisch unlösbar“ und „lösbar“. Die Einschränkung steckt im Wort vermutet: Dass es kein schnelles klassisches Verfahren gibt, ist nicht bewiesen, nur nach Jahrzehnten Suche sehr wahrscheinlich.

2. Quantensysteme simulieren (Chemie, Materialien) #

Moleküle und Festkörper gehorchen selbst der Quantenmechanik. Ihr Verhalten exakt klassisch zu berechnen, stößt auf dieselbe Speicherexplosion wie im Rechenbeispiel oben. Ein Quantencomputer trägt diese Komplexität dagegen „von Natur aus“.

Eine detaillierte Ressourcenabschätzung am Beispiel der biologischen Stickstofffixierung (dem Enzym Nitrogenase) kommt zu dem Schluss, dass ein fehlerkorrigierter Quantencomputer solche Reaktionsmechanismen in vertretbarer Zeit aufklären könnte — trotz des Aufwands der FehlerkorrekturTheorie. Das ist eine Abschätzung für künftige Hardware, kein Experiment. Aber es ist die Art Problem, auf die sich die Fachwelt am ehesten einigen kann: wenig Eingabedaten, riesiger innerer Zustandsraum.

3. Suchen (Grover) — nur quadratisch #

Lov Grovers Algorithmus findet einen Eintrag in einer unsortierten Menge von N Elementen in etwa √N Schritten statt in etwa NBelegt. Das klingt universell — Suchen braucht man überall. Der Haken: Eine quadratische Beschleunigung ist bei einer Million Einträgen der Faktor tausend, und dieser Faktor muss erst einmal den Nachteil aufholen, dass ein einzelner fehlerkorrigierter Quantenschritt sehr viel langsamer und teurer ist als eine Operation auf einer normalen CPU.

Hoefler, Häner und Troyer argumentieren in Communications of the ACM, dass praktischer Quantenvorteil zwei Dinge braucht: Probleme mit wenig Daten und Algorithmen mit mehr als quadratischer Beschleunigung. Die meisten vorgeschlagenen Anwendungen erfüllen das nicht; großes Potenzial sehen die Autoren in Chemie und MaterialwissenschaftTheorie. Grover-artige Beschleunigungen fallen damit für die meisten praktischen Zwecke durch.

Wofür es keinen bekannten Vorteil gibt #

Webserver, Datenbanken, Videoencoding, Spiele, Backups, Office — für all das existiert kein Quantenalgorithmus mit relevantem Vorteil. Ein Quantencomputer wäre dafür nicht nur nicht schneller, sondern absurd teurer. Realistisch ist ein hybrides Bild: klassische CPUs und GPUs erledigen fast alles, ein Quantenprozessor (QPU) übernimmt, falls überhaupt, einen eng umrissenen Teilschritt.

Warum KI-Training wahrscheinlich kein Kandidat ist #

Wenn Quantencomputer irgendetwas „Großes“ beschleunigen sollen, liegt KI als Hoffnung nahe. Die Kriterien aus dem vorigen Abschnitt sprechen dagegen, und zwar gleich doppelt:

1. Datenmenge. Das Training großer Sprachmodelle lebt davon, gewaltige Textmengen durch das Netz zu schieben. Diese Daten müssten in den Quantencomputer hinein — und die CACM-Analyse nennt gerade Probleme mit wenig Daten als Voraussetzung für praktischen VorteilTheorie. KI-Training ist das Gegenteil davon.
2. Art der Rechnung. Training besteht im Kern aus riesigen Matrixmultiplikationen, für die GPUs gebaut sind. Einen Quantenalgorithmus mit mehr als quadratischer Beschleunigung für genau diese Arbeit kennt man nicht.

Dass sich daran grundsätzlich nichts ändert, ist nicht bewiesen — es könnten Quantenalgorithmen für Spezialfälle im maschinellen Lernen gefunden werden. Ein Ersatz für GPU-Cluster ist nach heutigem Wissen aber nicht in Sicht.Evidenz: Spekulation Wer wissen will, wo der Energiehunger der KI tatsächlich herkommt, findet die Antwort in Warum braucht KI so viel Energie? — Quantenhardware kommt darin als Lösung nicht vor.

In Vorbereitung: Quantum Machine Learning — macht Quantum die KI besser?

Wo die Hardware steht: Rauschen und Fehlerkorrektur #

Das größte praktische Problem ist nicht die Zahl der Qubits, sondern ihre Fehleranfälligkeit. Qubits reagieren auf kleinste Störungen aus der Umgebung; jede Operation hat eine gewisse Fehlerwahrscheinlichkeit.

John Preskill hat für die heutige Gerätegeneration den Begriff NISQ geprägt — Noisy Intermediate-Scale Quantum: Geräte mit grob 50 bis 100 Qubits, deren Rauschen begrenzt, wie groß eine zuverlässig ausführbare Rechnung sein kann. Langfristiges Ziel bleibt ein vollständig fehlertoleranter QuantencomputerTheorie. Die Gerätegrößen sind seitdem gewachsen, das Grundproblem Rauschen ist geblieben.

Der Weg dorthin heißt Quantenfehlerkorrektur: Viele fehleranfällige physische Qubits bilden gemeinsam ein stabileres logisches Qubit. Das lohnt sich aber erst, wenn die physischen Qubits unter einer Fehlerschwelle liegen — sonst fügen mehr Qubits mehr Fehler hinzu, als sie korrigieren.

Google Quantum AI hat auf einem supraleitenden Prozessor gezeigt, dass ein fehlerkorrigierter Quantenspeicher unter dieser Schwelle arbeitet: Ein Code der Distanz 7 aus 101 Qubits erreichte 0,143 % logische Fehler pro Korrekturzyklus und hielt Information 2,4-mal länger als das beste einzelne physische QubitDemonstriert. Das ist ein echter Meilenstein, weil er zeigt, dass das Prinzip „mehr Qubits, weniger Fehler“ auf realer Hardware aufgeht. Es ist aber ein Speicher für ein einzelnes logisches Qubit, kein Rechner, der einen nützlichen Algorithmus ausführt. In Zusatztests stießen die Autoren zudem auf seltene, korrelierte Fehlerereignisse, die die Leistung begrenzen.

Wie groß die Lücke zum Ziel ist, zeigt der Vergleich mit Shor:

• 2019 schätzten Gidney und Ekerå, dass RSA-2048 mit rund 20 Millionen fehleranfälligen Qubits in etwa acht Stunden zu faktorisieren wäreTheorie.
• 2025 senkte Gidney die Abschätzung auf weniger als eine Million fehleranfällige Qubits bei unter einer Woche Laufzeit — unter Annahmen wie 0,1 % Fehlerrate pro Gatter und einer Mikrosekunde pro KorrekturzyklusTheorie.

Rechnung, keine Prognose: Knapp eine Million gegenüber rund hundert Qubits im Fehlerkorrektur-Experiment sind etwa vier Zehnerpotenzen. Gleichzeitig sinken die Abschätzungen, weil Algorithmen und Fehlerkorrektur besser werden. Beide Linien bewegen sich aufeinander zu; wann sie sich treffen, kann niemand seriös datieren.

In Vorbereitung: Quantenfehlerkorrektur — wie viele physische Qubits braucht ein logisches? · Qubit-Technologien im Vergleich.

Was „Quantum Advantage“-Meldungen tatsächlich zeigen #

Regelmäßig melden Firmen und Labore, ein Quantencomputer habe eine Aufgabe gelöst, an der klassische Supercomputer scheitern. Solche Meldungen betreffen bisher fast immer eigens konstruierte Testaufgaben — etwa das Ziehen von Stichproben aus der Ausgabe zufälliger Quantenschaltungen —, keine Anwendung mit praktischem Nutzen.

Und der Vorsprung ist ein bewegliches Ziel: Für Googles 53-Qubit-Sycamore-Schaltungen, die 2019 als Nachweis der „Quantenüberlegenheit“ dienten, erzeugten Pan, Chen und Zhang später eine Million Stichproben klassisch — mit rund 15 Stunden auf einem Cluster mit 512 GPUsBelegt.

Daraus folgt keine Häme gegenüber den Experimenten — sie haben die Hardware und die klassischen Simulationsverfahren gleichermaßen vorangebracht. Aber drei Fragen helfen bei jeder neuen Meldung: Ist die Aufgabe nützlich oder nur schwer? Wurde mit dem besten klassischen Verfahren verglichen oder mit einem bequemen? Und ist es ein begutachtetes Paper oder eine Pressemitteilung?

In Vorbereitung: Quantum Advantage — was die Meldungen tatsächlich zeigen.

Reality Check (Stand September 2026): Belegt sind die mathematischen Vorteile von Shor (exponentiell, gegenüber den besten bekannten klassischen Verfahren) und Grover (quadratisch). Demonstriert ist Fehlerkorrektur unter der Schwelle für ein einzelnes logisches Qubit als Speicher. Nur Abschätzungen gibt es für nützliche Chemie-Simulationen und das Brechen von RSA-2048. Kein praktischer Vorteil ist bekannt für KI-Training und Alltagsrechenlast. Die Schwachstelle: der Sprung von rund hundert auf Hunderttausende fehlerarme Qubits.

Was heißt das fürs eigene Homelab? #

Quantenhardware: nichts. Man kann sich über Cloud-Zugänge einzelner Anbieter Rechenzeit auf echten Geräten holen oder Schaltungen lokal simulieren — wie das Rechenbeispiel oben zeigt, reicht ein Homeserver mit viel RAM für rund 30 Qubits. Das ist zum Lernen spannend, beschleunigt aber keine einzige Aufgabe im Heimnetz.

Die Kryptografie dagegen betrifft das Homelab schon heute. Der Grund heißt „jetzt mitschneiden, später entschlüsseln“: Wer verschlüsselten Verkehr heute aufzeichnet, könnte ihn mit einem künftigen Quantencomputer nachträglich knacken. Deshalb stellen Standards und Software jetzt schon um:

• Das US-Standardinstitut NIST hat im August 2024 mit FIPS 203 das Verfahren ML-KEM standardisiert, das auch gegen Angreifer mit Quantencomputer als sicher giltBelegt.
• OpenSSH nutzt seit Version 9.0 (April 2022) standardmäßig einen hybriden Schlüsselaustausch aus dem Post-Quanten-Verfahren NTRU Prime und dem klassischen X25519 — ausdrücklich als Schutz gegen „capture now, decrypt later“Belegt.
• Seit OpenSSH 10.0 (April 2025) ist die hybride Variante mit ML-KEM (mlkem768x25519-sha256) Standard; Version 10.1 warnt, wenn eine Verbindung ohne Post-Quanten-Schlüsselaustausch zustande kommtBelegt.

„Hybrid“ heißt: Das neue Verfahren wird mit dem bewährten kombiniert. Ist eines von beiden gebrochen, schützt noch das andere.

Welches Verfahren eine eigene Verbindung aushandelt, zeigt der Client selbst (server.example.lan durch den eigenen Host ersetzen):

# Welche Schlüsselaustausch-Verfahren kennt mein SSH-Client?
ssh -Q kex
 
# Welches Verfahren wurde für diese Verbindung ausgehandelt?
ssh -v nutzer@server.example.lan exit 2>&1 | grep "kex: algorithm"

Taucht dort mlkem768x25519-sha256 oder sntrup761x25519-sha512 auf, ist der Schlüsselaustausch bereits hybrid post-quanten-gesichert. Steht dort nur ein klassisches Verfahren, ist meist eine Seite zu alt — typischerweise ein Server mit älterer Distribution oder ein Embedded-Gerät. Das zu aktualisieren ist der eine konkrete Schritt, den Quantencomputing heute im Homelab auslöst.

In Vorbereitung: Post-Quanten-Kryptografie — muss ich mein Homelab jetzt umstellen?