Die metallverarbeitende Industrie stellt mit mehr als 390.000 Unternehmen und rund 3,7 Mio. Angestellten den größten sekundären Sektor innerhalb der EU-28 dar (vgl. Eurostat, Sectoral analysis of key indicators). Die Zerspanung repräsentiert in diesem Bereich eine der wichtigsten Fertigungstechnologien. Zahlreiche deutsche Schlüsselindustrien erwirtschaften einen Großteil ihrer Wertschöpfung am Produkt mittels Zerspanung, wie bspw. der Werkzeug- und Formenbau, die Halbleiterindustrie oder der Triebwerksbau. Auf Grund des hohen Stellenwerts der zerspanenden Fertigung sind die betreffenden Unternehmen an einer kontinuierlichen Optimierung von Zerspanprozessen hinsichtlich Qualität, Produktivität, Wirtschaftlichkeit und zunehmend auch Nachhaltigkeit interessiert.

Durch Digitalisierung werden Zerspanprozesse durch digitale Zwillinge repräsentiert, was eine durchgängige Planung, Fertigung und Qualitätssicherung ermöglicht.  In der industriellen Anwendung werden Modelle und Simulationen basierend auf digitalen Zwillingen auf Grund ihres Rechenbedarfs und dem erforderlichen Expertenwissen für deren Bedienung zumeist ausgeschlossen. In Folge werden relevante physikalische Effekte in der industriellen Praxis entweder vernachlässigt oder nur durch grobe Abschätzungen approximiert. Hierunter leiden die Qualität des Digitalen Zwillings und daraus abgeleitete Erkenntnisse und Entscheidungen in erheblicher Weise, was in vielen Fällen zu signifikanten, wirtschaftlichen Nachteilen in der Industrie führt.

Bedingt durch die hohen Qualitätsanforderungen und die zumeist erheblichen Kosten für Ausschüsse, ermöglichen Simulationen auf Basis digitaler Zwillinge optimierte Zerspanvorgänge zu planen. Diese technologiespezifischen Simulationsmodelle stammen hauptsächlich aus den drei Kategorien Analytik (bspw. Euler-Bernoulli- Biegebalken-Modell), Numerik (bspw. Dexel-basierte Eingriffssimulation) und zunehmend auch dem Bereich des maschinellen Lernens (ML) (bspw. Neuronale Netze). Insbesondere die Modelle aus den Kategorien Numerik und ML führen regelmäßig selbst leistungsfähige digitale Infrastrukturen an ihre Grenzen, da diese auch heute auf herkömmlichen Halbleiterrechnern und deren technischer Funktionsweise beruhen. Die resultierenden langwierigen Berechnungszeiten und/oder fehlerhaften Berechnungsergebnisse erschweren bis heute den Transfer der vollständiger Industrie 4.0 Rahmenmodelle in die Industrie. Erste Untersuchungen zeigen, dass quantenmechanischen Funktionsprinzipien entscheidende Vorteile in der Lösung zahlreicher algorithmischer Fragestellungen aufweisen, wie vor allem signifikante Beschleunigungen bei numerischen Verfahren und Ergebnisverbesserungen durch „Quantum Machine Learning“-basierte Ansätze.