Kontext: Quantencomputer nutzen quantenmechanische Effekte zur Informationsverarbeitung und basieren damit verglichen mit klassischen Rechnern auf fundamental unterschiedlichen Prinzipien. Die optimale Nutzung von Quantenrechnern erfordert daher spezifische Software. Ziel der Quantensoftwareentwicklung ist es, aus jahrzehntelanger Forschung in klassischer Softwareentwicklung zu lernen und entsprechende Analogien in der Quantendomäne zu schaffen. Problem: Das identifizierte Hauptproblem liegt in den niedrigen Abstraktions- und Automatisierungsgraden in der aktuellen Quantensoftwareentwicklung. Diese verursachen weitere Probleme in der praktischen Nutzung, wie etwa eine starke Bindung an spezifische Programmiersprachen und fehlende Wiederverwertbarkeit von Quantensoftware, sowie fehlende Berücksichtigung von bestehenden Trade-Offs zwischen Quantenprogrammvarianten. Diese Probleme betreffen Quantencomputing im Allgemeinen, und auch das Feld der Quantenkombinatorischen Optimierung im Speziellen. Letzteres bezeichnet die Anwendung von Quantencomputing zur Lösung kombinatorischer Optimierungsprobleme. Nachdem Quantenkombinatorische Optimierung in naher Zukunft reale Anwendungen verspricht, stellt sich das obige Problem in diesem Kontext als besonders dringend dar. Lösung: Im Rahmen dieser Dissertation wurde zur Lösung des Problems ein Framework zur Quantensoftwareentwicklung geschaffen, welches den Abstraktions- und Automatisierungsgrad erhöht und dafür adaptierte Methoden aus der modellgetriebenen und suchbasierten Softwareentwicklung einsetzt. Das Framework unterstützt die Modellierung, automatische Synthese, und Verbesserung von funktionalen Quantensoftwarekomponenten. Methode: Die vorliegende Dissertation wurde als Design Science Projekt konzipiert. Unter Befol- gung etablierter Richtlinien wurde das resultierende Artefakt iterativ im Zuge von alternierenden Design- und Evaluierungsphasen entwickelt. Dahingehend wurden im Zuge eines Pilotprojektes erste praktische Erfahrungen in der Problemdomäne—der Quantensoftwareentwicklung für kombinatorische Optimierung—gesammelt. Gemeinsam mit einer systematischen Übersicht zu Quantenkombinatorischer Optimierung wurde damit die Basis zur darauffolgenden Entwicklung des Frameworks über mehrere Design- und Evaluierungszyklen geschaffen. Das Framework wurde durch Demonstrations- und Vergleichsstudien, sowie durch Experimente an repräsentativen Fallbeispielen validiert. Wissenschaftlicher Beitrag: Der Kernbeitrag dieser Dissertation liegt in dem instanziierten Lösungsartefakt und den damit zusammenhängenden Methoden aus der modellgetriebenen und suchbasierten Softwareentwicklung. Während des Forschungsprozesses wurden weitere Beiträge erarbeitet. So wurden in dem Pilotprojekt neue, hybride quanten-klassische Algorithmen für ein spezifisches Optimierungsproblem entwickelt, evaluiert, und in ein Framework zu deren Anwendung integriert. Außerdem wurde in der systematischen Übersicht der aktuelle Stand der Quantenkombinatorischen Optimierung hinsichtlich Lösungsmethoden und häufiger Problemstellungen dargestellt. Vermerk: Diese kumulative Dissertation basiert auf zwei publizierten Journal Artikeln, einem Konferenz Artikel, zwei Workshop Artikeln, und zwei eingereichten Journal Artikeln. Im Folgenden wird eine Zusammenfassung der Forschungstätigkeiten präsentiert. Der Fokus liegt hierbei auf der übergreifenden Darstellung des zugrundeliegenden Problems, des methodischen Vorgehens, sowie der wissenschaftlichen Beiträge und den Resultaten. Im Anhang sind folgende Artikel angeführt, welche im Rahmen der Dissertation erarbeitet wurden: • Gemeinhardt, F. G., Wille, R., & Wimmer, M. (2021). Quantum k-community detection: algorithm proposals and cross-architectural evaluation. In Quantum Information Processing, 20(9), 302. • Gemeinhardt, F. G., Garmendia, A., Wimmer, M., Weder, B., & Leymann, F. (2023). Quan- tum Combinatorial Optimization in the NISQ Era: A Systematic Mapping Study. In ACM Computing Surveys, 56(3), 1-36. • Gemeinhardt, F. G., Garmendia, A., Wimmer, M., & Wille, R. (2022). A Model-Driven Fra- mework for Composition-Based Quantum Circuit Design. Resubmitted after Major Revision for publication to ACM Transactions on Quantum Computing in November 2023. • Gemeinhardt, F. G., Klikovits, S., & Wimmer, M. (2023). GeQuPI: Quantum Program Improvement with Multi-Objective Genetic Programming. Submitted for publication to the Journal of Systems and Software in September 2023. • Gemeinhardt, F. G., Klikovits, S., & Wimmer, M. (2023, July). Hybrid Multi-Objective Genetic Programming for Parameterized Quantum Operator Discovery. In Proceedings of the Conference on Genetic and Evolutionary Computation: In Companion Proceedings (pp. 795-798). • Gemeinhardt, F. G., Eisenberg, M., Klikovits, S., & Wimmer, M. (2023, October). Model- Driven Optimization for Quantum Program Synthesis with MOMoT. In Proceedings of the 26th International Conference on Model Driven Engineering Languages and Systems: Companion Proceedings. In print. • Gemeinhardt, F. G., Garmendia, A., & Wimmer, M. (2021, June). Towards model-driven quantum software engineering. In 2021 IEEE/ACM Proceedings of the 2nd International Workshop on Quantum Software Engineering (Q-SE) (pp. 13-15). IEEE.

Context: Quantum computers harness quantum mechanical effects to process information, i.e., they rely on fundamentally different physical principles compared to classical computers. This raises the need for novel software to optimally exploit the potential of quantum devices, giving birth to the emerging field of quantum software engineering. Here, the goal is to transfer concepts developed over decades from classical software engineering to the quantum realm. Problem: An identified key problem lies in the low levels of abstraction and automation in current quantum software engineering. This causes several practical problems for the user, e.g., quantum programming language-specific development and limited reusability, as well as the neglect of present trade-offs between different quantum program variants. These problems hold true for quantum computing in general, but also for the field of quantum combinatorial optimization. The latter refers to the application of quantum computing to solve combinatorial optimization problems. As quantum combinatorial optimization is considered a near-term application area of quantum computing, the illustrated problem is rendered even more urgent in this context. Solution: The solution proposed within this dissertation is a quantum software development framework that directly tackles these problems by raising abstraction and automation levels using methods from model-driven engineering and search-based software engineering. In particular, the solution framework advocates the use of higher-level composite quantum operations and comprises features to model, automatically synthesize, and automatically improve such quantum software. Research Method: This dissertation is framed as a design science project and follows established guidelines for design science research. Thus, within a first pilot project, experience regarding the problem domain, i.e., quantum software engineering for combinatorial optimization, was gathered. In combination with a systematic review of quantum combinatorial optimization, the foundation for the upcoming development of the solution framework was laid. The latter development was conducted in an iterative manner by alternating between design and evaluation phases. The solution framework has been validated by demonstration and comparison studies as well as experiments on representative use cases. Contributions: The core contribution of the dissertation is represented by the solution artifact, i.e., the instantiated quantum software development framework for raising abstraction and automation levels, and the corresponding developed model-driven and search-based approaches. During the research process, additional contributions have been elaborated. First, within the pilot project, two novel hybrid quantum-classical algorithms have been developed and evaluated, and a framework for applying the latter has been designed. Second, the systematic mapping study on quantum combinatorial optimization illustrates the current state of the art with respect to solution approaches and common optimization problems. Note: This cumulative dissertation includes 2 published journal articles, 1 conference paper, 2 workshop papers, and 2 submitted journal articles. In the following, a summary of the conducted research for this dissertation is provided by presenting the overall research project. Thus, the aim is to convey the problem, methodology, contributions, and results of the underlying design science project. In the appendix, the following articles contributing to this dissertation are attached: • Gemeinhardt, F. G., Wille, R., & Wimmer, M. (2021). Quantum k-community detection: algorithm proposals and cross-architectural evaluation. In Quantum Information Processing, 20(9), 302. • Gemeinhardt, F. G., Garmendia, A., Wimmer, M., Weder, B., & Leymann, F. (2023). Quan- tum Combinatorial Optimization in the NISQ Era: A Systematic Mapping Study. In ACM Computing Surveys, 56(3), 1-36. • Gemeinhardt, F. G., Garmendia, A., Wimmer, M., & Wille, R. (2022). A Model-Driven Framework for Composition-Based Quantum Circuit Design. Resubmitted after Major Revision for publication to ACM Transactions on Quantum Computing in November 2023. • Gemeinhardt, F. G., Klikovits, S., & Wimmer, M. (2023). GeQuPI: Quantum Program Improvement with Multi-Objective Genetic Programming. Submitted for publication to the Journal of Systems and Software in September 2023. • Gemeinhardt, F. G., Klikovits, S., & Wimmer, M. (2023, July). Hybrid Multi-Objective Genetic Programming for Parameterized Quantum Operator Discovery. In Proceedings of the Conference on Genetic and Evolutionary Computation: In Companion Proceedings (pp. 795-798). • Gemeinhardt, F. G., Eisenberg, M., Klikovits, S., & Wimmer, M. (2023, October). Model- Driven Optimization for Quantum Program Synthesis with MOMoT. In Proceedings of the 26th International Conference on Model Driven Engineering Languages and Systems: Companion Proceedings. In print. • Gemeinhardt, F. G., Garmendia, A., & Wimmer, M. (2021, June). Towards model-driven quantum software engineering. In 2021 IEEE/ACM Proceedings of the 2nd International Workshop on Quantum Software Engineering (Q-SE) (pp. 13-15). IEEE.