Markus Heyl erforscht Snapshots in DFG-SNF-Verbundprojekt
Künstliche Intelligenz trifft Quantenphysik – internationales Team will Methoden finden, quantenmechanische Verschränkungsstrukturen zu untersuchen.
In Quantentechnologien steckt viel Potenzial. Doch um es ausschöpfen zu können, sind große Herausforderungen zu lösen. Diese geht jetzt ein neues internationales Forschungsprojekt mit Künstlicher Intelligenz (KI) an. Ziel ist es, komplexe Quantensysteme besser zu verstehen. Im Rahmen des Verbundprojekts erforscht ein Team an der Universität Augsburg innovative Ansätze zur Datenanalyse in komplexen Quantensystemen.
Moderne Quantensimulatoren ermöglichen heute Messungen in einer Detailtiefe, die noch vor wenigen Jahren unvorstellbar war. Diese Experimente eröffnen neue Möglichkeiten, die physikalischen Eigenschaften komplexer Vielteilchensysteme zu untersuchen. Allerdings erzeugen sie auch gewaltige Datenmengen. Das stellt die Forschung vor große Herausforderungen.
Hier setzt die internationale, von der Deutschen Forschungsgemeinschaft (DFG) geförderte Forschungsgruppe „Maschinelles Lernen für komplexe Quantenzustände“ an. Sie entwickelt und untersucht neuartige Methoden, um die Besonderheiten komplexer Quantensysteme besser zu verstehen – und nutzbar zu machen. Hierfür haben sich Wissenschaftlerinnen und Wissenschaftler verschiedener Universitäten und Forschungseinrichtungen zusammengetan, darunter die Universität Augsburg.
„Wir erleben derzeit eine Revolution auf der Ebene quantenmechanischer Systeme, etwa durch Quantencomputer. Darin steckt viel Potenzial. Es sind aber auch riesige Herausforderungen damit verbunden“, erklärt Markus Heyl, Professor für Theoretische Physik an der Universität Augsburg. „Wir möchten Lösungen mit Methoden des maschinellen Lernens finden und so Quantentechnologien zum Durchbruch verhelfen.“
Ein Ziel der Forschungsgruppe ist es, neue Methoden zu finden, quantenmechanische Verschränkungsstrukturen zu untersuchen. Außerdem sollen Informationsausbreitung und Äquilibrierung, also der Übergang in einen Gleichgewichtszustand, in diesen Systemen erforscht werden. Auch die kontrollierte Erzeugung von Quantenverschränkung soll erprobt werden.
Mehr zu Quantensimulationen
Quantensimulationen vereinfachen – durch Symmetrie
Aus dem Rand auf das Innere schließen
Quantenrechner jongliert mit Hamiltonoperatoren
Ultrakalt simuliert
Das Teilprojekt des Augsburger Forschers Heyl widmet sich einer zentralen Frage der modernen Quantenforschung: Wie lassen sich die riesigen Datenmengen aus neuartigen quantenmechanischen Messverfahren sinnvoll auswerten?
Konkret geht es um den Umgang mit sogenannten Snapshots – vollständigen Vielteilchen-Konfigurationen, die bei modernen quantenmechanischen Messungen entstehen und ähnlich wie Bilddaten funktionieren. Diese Datensätze enthalten enorme Informationsmengen über Quantenzustände. Bisherige Methoden reduzieren diese Daten oft stark – mit dem Risiko, entscheidende Informationen zu verlieren.
„In modernen Experimenten fallen so viele Daten an wie nie zuvor“, erklärt Heyl. „Das ist faszinierend – aber tatsächlich weiß niemand so genau, wie man diese Daten vollständig ausschöpfen kann.“
Das Team entwickelt hierfür Methoden, die Snapshot-Daten als Netzwerkstruktur darstellen. Ziel ist es, den vollen Informationsgehalt der Messdaten zu bewahren und nutzbar zu machen. Damit sollen auch schwer zugängliche Quantenzustände besser verstanden werden, etwa Quantenspinflüssigkeiten, die als potenzielle Ressource im Quantencomputing gelten.
„Für einige Quantenzustände – wie die Quantenspinflüssigkeit – gibt es bis heute keinen experimentellen Nachweis“, so Heyl. „Wir wollen herausfinden, ob sich mit unserem neuen Netzwerkansatz genau solche Zustände identifizieren lassen.“
Bei der Forschungsfrage arbeitet Heyl mit Annabelle Bohrdt (Ludwig-Maximilians-Universität München), Markus Schmitt (Universität Regensburg) und Giuseppe Carleo (École Polytechnique Fédérale de Lausanne) zusammen. An der Forschungsgruppe beteiligt sind neben der Universität Augsburg auch die Universität Regensburg, die TU Dortmund, die LMU München, die FSU Jena, das MPI für Physik komplexer Systeme Dresden, die EPFL sowie die ETH Zürich. Sprecher des Forschungsverbunds ist Markus Schmitt. [U Augsburg / dre]
FOR 5919 “Machine Learning for Complex Quantum States” MLCQS, for5919.github.io, Universität Regensburg
