Machine Learning for Quantum Technology

Über

Die Forschung unserer Helmholtz-Nachwuchsgruppe zielt darauf ab, die kollektive Dynamik von Quanten-Vielteilchensystemen fernab des Gleichgewichts zu verstehen und zu kontrollieren, was letztlich den Weg für die Entwicklung neuer Technologien ebnen könnte, die auf den Quantengesetzen der Natur beruhen. Der theoretische Ansatz ist jedoch recht anspruchsvoll: Für Untersuchungen auf der Grundlage mikroskopischer Modellsysteme müssen Strategien entwickelt werden, um mit dem Fluch der Dimensionalität umzugehen, der dem Quanten-Vielteilchenproblem innewohnt.

Eine besondere Herausforderung ist die Entwicklung effizienter und vielseitiger Berechnungsmethoden, die als entscheidendes Bindeglied zwischen experimentellen Beobachtungen und theoretischen Modellen dienen. Eine alternative Möglichkeit ist die Verwendung eines Quantencomputers für die Simulation, was wiederum die Realisierung eines hochgradig kontrollierten quantenmechanischen Prozesses bedeutet.

Um auf diesem Gebiet Fortschritte zu erzielen, bringt unsere Gruppe Ideen aus dem modernen maschinellen Lernen ein, wo quantenmechanische Herausforderungen ihren natürlichen Stärken entsprechen und umgekehrt die Quantenanwendungen die Entwicklung neuer maschineller Lerntechniken erfordern.

Forschungsthemen

  • Neuronale Quantenzustände
  • Verstärkendes Lernen für die Quantensteuerung und interaktive Quantendynamik
  • Algorithmen für die digitale Quantensimulation
  • Nichtgleichgewichts-Quantenvielteilchenphysik

Kontakt

Markus Schmitt

PGI-8

Gebäude 05.3 / Raum 236

+49 2461/61-6145

E-Mail

Mehr über unsere Forschung

Gruppenmitglieder

Projekte

Helmholtz Young Investigator Group “Machine Learning for Quantum Technology” (09/2022-08/2027)

Publikationen

Letzte Änderung: 17.12.2024