Quantenoptimierung trifft auf den öffentlichen Nahverkehr: Erkenntnisse vom Berliner Quantum Hackathon

Am 5. März 2026 fand im Change Hub in Berlin das große Finale des Berliner Quantum Hackathons statt, zu dem sich auf Quanteninformatik spezialisierte Teams aus ganz Europa eingefunden hatten, um mithilfe modernster Quantenhardware und -algorithmen reale Herausforderungen anzugehen. Die Veranstaltung diente sowohl als technischer Wettbewerb als auch als Beispiel dafür, wie quantenbasierte Ansätze nun auch auf hochkomplexe industrielle Probleme angewendet werden. Die aus Quantencomputer-Credits bestehenden Preise wurden den Gewinnern von Staatssekretär Severin Fischer überreicht und unterstreichen das wachsende institutionelle Gewicht des Berliner Quanten-Ökosystems.

Mit einem Projekt, das auf einen der hartnäckigsten Engpässe in der städtischen Mobilität abzielte: die groß angelegte Planung von Fahrerschichten, belegte unser Team Beerantum den dritten Platz in der Gesamtwertung und den zweiten Platz in der Quantenoptimierung.

Das Problem: Einsatzplanung als kombinatorische Herausforderung

Die BVG beschäftigt als Betreiber des öffentlichen Nahverkehrs in Berlin mehr als 16.000 Mitarbeitende und betreibt ein Streckennetz, auf das die Stadt täglich angewiesen ist. Hinter dieser Zuverlässigkeit verbirgt sich ein außerordentlich komplexes Planungsproblem. Bei 150 Fahrern, mehreren Buslinien, einem Planungshorizont von vier Wochen und zehntausenden Schichtsegmenten steigt die Anzahl möglicher Kombinationen auf astronomische Weise an. Klassische Ansätze können mit den strengsten Restriktionen recht gut umgehen, neigen aber dazu, die menschliche Dimension völlig auszublenden: Die Präferenzen der Fahrer, ihre Verhaltensmuster und ihre individuelle Verfügbarkeit werden im Optimierungsprozess oft nicht berücksichtigt.

Diese Dimension zu vernachlässigen, führt zu echten Folgen. Interne Prognosen der BVG zeigen, dass bis 2033 allein durch Verrentung mehr als 4.300 Mitarbeitende das Unternehmen verlassen werden, wobei freiwillige Fluktuation die Situation zusätzlich verschärft. Und eine Planung, die keine Rücksicht auf Präferenzen nimmt, beschleunigt diesen Trend nur noch weiter.

Der Quantenansatz

Wir formulierten das Problem als quadratisch unrestringiertes binäres Optimierungsproblem (QUBO), bei dem binäre Variablen die Zuordnung der Fahrer zu den Streckenabschnitten kodieren, die harten betrieblichen Restriktionen als Strafen und die Präferenzen der Fahrer als Belohnungen einfließen. Gelöst wurde das QUBO mithilfe des Bias-Field-DCQO-Algorithmus von Kipu Quantum, der auf dem Kipu Quantum Hub ausgeführt wurde.

Der Arbeitsablauf ging aber weit über den Quantenkern hinaus. Bei einer Vorverarbeitungsphase wurden die Umlaufsegmente analysiert, Konfliktgraphen konstruiert und das Clustering-Verfahren DBSCAN auf Basis von 16 Verhaltensvariablen eingesetzt, um Fahrerarchetypen zu identifizieren, wodurch der Präferenzraum komprimiert und die API-Aufrufe um 80 % reduziert werden konnten. Ein Unsicherheitsadapter, der einen auf Isolation Forest basierenden Anomalie-Detektor mit einem auf Gauß'schen Prozessen basierenden Nachfrage-Prädiktor verknüpft, ermittelte dynamisch, ob ein bestimmter Tag eine neue Quantenoptimierung erfordert oder durch einen vorberechneten Archetyp gelöst werden kann. Die Nachverarbeitung kümmerte sich dann um die Sicherstellung der Zulässigkeit und die Bewertung der Präferenzen und gewährleistete, dass die harten Restriktionen im Endergebnis stets eingehalten wurden.

Das Ergebnis war ein klassisch–quanten–klassischer Ablauf: klassische Verfahren an den Schnittstellen und quantenbasierte Suche im Kern.

Auswirkungen auf andere Bereiche

Einer der wertvollsten Aspekte der Arbeit an einem solchen Problem ist das Verständnis dafür, wie gut sich die Architektur auf andere Anwendungsfälle übertragen lässt. So kann dieselbe QUBO-Struktur ganz natürlich auf die Dienstplanung in Krankenhäusern, die Einsatzplanung von Flugzeugbesatzungen, die Last-Mile-Logistik sowie den Betrieb von Stromnetzen angewendet werden. Der Prozess zum Management von Unsicherheiten lässt sich dabei einfach durch Austausch der Merkmalsquelle auf andere Bereiche übertragen.

 Wirtschaftlich gesehen entspricht eine konservative Verbesserung der Planungseffizienz um 2 % bei der BVG einem Wert von etwa 18 Millionen Euro pro Jahr. Eine an die Präferenzen angepasste Planung bringt, selbst wenn sie nur einen Bruchteil der freiwilligen Fluktuation reduziert, 2 bis 4 Millionen Euro pro Jahr mehr ein. Das Projekt zeigte einen gangbaren Weg auf, um innerhalb von 24 Monaten von TRL 4 zu einem Produktionspiloten auf TRL 6 zu gelangen – im Einklang mit der Hardware-Roadmap von Kipu Quantum.

Blick in die Zukunft

Beim Quantum Hackathon in Berlin wurde deutlich, dass sich die Quantenoptimierung immer mehr von der Theorie hin zu praktischen Anwendungen voranschreitet. Die Herausforderungen sind real, die Daten sind real, und die Hardware ist zwar noch nicht ausgereift, aber bereits in der Lage, bedeutende hybride Workflows zu unterstützen.

Die hier gewonnenen Erfahrung hat eine zentrale Erkenntnis bestätigt: In der Praxis funktionieren die quantenbasierten Systeme, bei deren Entwicklung sowohl operative Stringenz als auch die Komplexität menschlichen Daseins Berücksichtigung finden. Genau in diesem Gleichgewicht liegen auch die interessantesten technischen Herausforderungen.

Eine Brücke zur laufenden Forschung

Die beim Hackathon untersuchten Optimierungsprobleme knüpfen nahtlos an aktuelle Arbeiten an. Im Rahmen des Projekts Q-Mind untersucht GMV quantenbasierte Algorithmen für komplexe Planungsaufgaben, wie etwa Routenoptimierung, Robotereinsatzplanung und die Koordination von Satellitenkonstellationen, um so Echtzeitlösungen in Bereichen zu ermöglichen, in denen klassische Ansätze an ihre Grenzen stoßen. Der in Berlin entwickelte Schichtplanungs-Workflow mit seiner QUBO-Formulierung, seinem Umgang mit Unsicherheit und seiner hybriden klassisch–quanten Struktur steht ganz im Einklang mit dieser Forschungslinie. Dies ist ein kleines, aber greifbares Beispiel dafür, wohin sich die Quantenoptimierung entwickelt: von Proof-of-Concept-Wettbewerben hin zur Integration in Planungssysteme, auf die es in kritischen Infrastrukturen wirklich ankommt.