Optimale Quantenkontrolle

Die optimale Kontrolle von Quantensystemen untersucht effiziente Methoden zur Beeinflussung von quantenmechanischen Zuständen. Hierbei werden gegenläufige Effekte, wie Dekohärenz und unerwünschte Zustände, vermieden und numerische Optimierungsverfahren angewendet. Analytische Lösungsansätze basierend auf vereinfachten Modellen können mit numerischen Optimierungsverfahren kombiniert werden. Dabei können numerische Verfahren oft eine größere Anzahl von Systemparametern (wie Störungen und nicht-adiabatische Eigenschaften) berücksichtigen.

Optimal-Control-red-crab-chart.png

RedCRAB (Remote dressed Chopped RAndom Basis algorithm)

RedCRAB ist ein Werkzeug, das anderen Forschungsgruppen auf einfache Weise ermöglicht, optimale Quantenkontrolle in ihren Experimenten oder Simulationen anzuwenden. Ein Cloud-Server erzeugt und übermittelt Kontrollen an ein lokales Programm auf dem Computer eines Nutzers, wo die Effektivität der Kontrollen in einem Experiment oder einer Simulation getestet wird und zurück an den Cloud-Server gesendet wird. In weiteren Iterationen erzeugt der Cloud-Server anhand der Information aus der letzten Iteration verbesserte Kontrollen. Anwendungsbeispiele können in den Referenzen [4-7] gefunden werden.

Referenzen

[1] Lloyd, S., & Montangero, S. (2014). Information Theoretical Analysis of Quantum Optimal Control. 113(5), 010502. https://doi.org/10.1103/PhysRevLett.113.010502

[2] Caneva, T., Murphy, M., Calarco, T., Fazio, R., Montangero, S., Giovannetti, V., & Santoro, G. E. (2009). Optimal control at the quantum speed limit. Physical Review Letters, 103(24), 1–4. https://doi.org/10.1103/PhysRevLett.103.240501

[3] Doria, P., Calarco, T., & Montangero, S. (2011). Optimal Control Technique for Many-Body Quantum Dynamics. Physical Review Letters, 106(19), 190501. https://doi.org/10.1103/PhysRevLett.106.190501

[4] Glaser, S. J., Boscain, U., Calarco, T., Koch, C. P., Köckenberger, W., Kosloff, R., Kuprov, I., Burkhard, L., Schirmer, S., Schulte-Herbrüggen, T., Sugny, D., Wilhelm, F. K. (2015). Training Schrödinger’s cat: Quantum optimal control: Strategic report on current status, visions and goals for research in Europe. European Physical Journal D, 69(12), 279. https://doi.org/10.1140/epjd/e2015-60464-1

[5] Heck, R., Vuculescu, O., Sørensen, J. J., Zoller, J., Andreasen, M. G., Bason, M. G., Ejlertsen, P., Elíasson, O., Haikka, P., Laustsen, J.S., Nielsen, L. L., Mao, A., Müller, R., Napolitano, M., Pedersen, M. K., Thorsen, A. R., Bergenholtz, C., Calarco, T., Montangero, S., Sherson, J. F. (2018). Remote optimization of an ultracold atoms experiment by experts and citizen scientists. Proceedings of the National Academy of Sciences of the United States of America, 115(48), E11231. https://doi.org/10.1073/pnas.1716869115

[6] Frank, F., Unden, T., Zoller, J., Said, R. S., Calarco, T., Montangero, S., Naydenov, B., Jelezko, F. (2017).Autonomous calibration of single spin qubit operations. Npj Quantum Information, 3(1), 48. https://doi.org/10.1038/s41534-017-0049-8

[7] Omran, A., Levine, H., Keesling, A., Semeghini, G., Wang, T. T., Ebadi, S., Bernien, H., Zibrov, A. S., Pichler, H., Choi, S., Cui, J., Rossignolo, M., Rembold, P., Montangero, S., Calarco, T., Endres, M., Greiner, M., Vuletić, V.,  Lukin, M. D. (2019). Generation and manipulation of Schrödinger cat states in Rydberg atom arrays. https://doi.org/10.1126/science.aax9743

Letzte Änderung: 28.10.2021