Wissenschaft vorantreiben durch Quantencomputing.
Am CQTA entwickeln wir Quantenalgorithmen für Anwendungen von fundamentalen Physiksimulationen bis hin zu praxisnaher Optimierung und maschinellem Lernen.
Unsere Forschung.
Am Zentrum für Quantentechnologie und Anwendungen entwickeln wir Quanten- und quanteninspirierte Algorithmen, die Herausforderungen von der Grundlagenphysik bis hin zu praktischen Anwendungen bewältigen. Unsere Forschung umfasst die Simulation von Spielmodellen der Teilchenwechselwirkungen und Quantenfeldtheorien bis hin zur Erforschung allgemeiner Quantensimulationsmethoden, die in der Materialwissenschaft und Quantenchemie eingesetzt werden können. Über die Grundlagenphysik hinaus befassen wir uns mit praxisnahen Optimierungs- und maschinellen Lernproblemen auf Quantencomputern. Als IBM Quantum Hub theoretisieren wir nicht nur, sondern testen unsere Algorithmen auf modernster Quanten- Hardware und verwandeln Ideen in Implementierungen. Wir treiben auch das Feld selbst voran, indem wir Techniken entwickeln, die Quantenalgorithmen allgemein verbessern – von der Fehlerminderung bis hin zur Schaltkreisoptimierung. Unser Team vereint theoretische Physiker, Mathematiker und Informatiker und schafft so eine kollaborative und hochproduktive Umgebung.
Forschungsbereiche und Projekte.
Quantensimulation.
Wir nutzen Quantencomputer und quanteninspirierte Algorithmen, um das Verhalten von Materie unter fundamentalen Kräften zu erforschen. Unsere Forschung konzentriert sich auf Spielmodelle aus der Hochenergiephysik, wie das Schwinger-Modell und die (2+1)-dimensionale Quantenelektrodynamik (QED), die wesentliche Merkmale von Teilchenwechselwirkungen erfassen und dabei rechnerisch handhabbar bleiben. Mit Tensornetzwerk-Methoden kartieren wir die Phasendiagramme von Materie, die an Eichfelder gekoppelt ist, und enthüllen, wie sich Teilchen unter verschiedenen Bedingungen verhalten. Auf Quanten-Hardware simulieren wir Streuprozesse zwischen Fermionen in vereinfachten QED-Modellen und gewinnen so Einblicke in Teilchenkollisionen, die mit klassischen Computern schwer zu untersuchen sind. Diese Untersuchungen vertiefen nicht nur unser Verständnis der Grundlagenphysik, sondern dienen auch als wertvolle Benchmarks für die Weiterentwicklung von Quantensimulationstechniken.
Quantenmaschinelles Lernen.
Wir entwickeln und testen neuartige Algorithmen für quantenmaschinelles Lernen, die Grundlagenforschung und praxisnahe Anwendungen verbinden. Wir bewältigen vielfältige Herausforderungen: Teilchenverfolgung bei Detektorexperimenten, Analyse von Kollisionsdaten, Erzeugung simulierter Ereignisse für die Hochenergiephysik und Erkennung seltener Krankheiten in medizinischen Datensätzen. Wir arbeiten auch daran zu verstehen, wie man Symmetrien in den Daten nutzen kann, um die Algorithmusleistung zu verbessern, und wie Hardware-Rauschen diese symmetriebasierten Ansätze beeinflusst. Durch die Erforschung des Zusammenspiels von Datenstruktur, Quantenalgorithmen und Rauschen identifizieren wir, wo quantenmaschinelles Lernen potenziell Vorteile bieten kann.
Optimierungsaufgaben.
Wir erforschen Quantenalgorithmen zur Bewältigung komplexer Optimierungsprobleme, von der Flugsteigzuweisung an Flughäfen bis zur Rekonstruktion von Teilchenspuren in Kollider-Experimenten. Mit aktuellen Quantengeräten testen wir variationelle und andere aktuelle Algorithmen an diesen realen Herausforderungen und vergleichen ihre Leistung systematisch mit klassischen Optimierungsmethoden. Unsere Arbeit hat wichtige Erkenntnisse geliefert: Viele gegenwärtige variationelle Ansätze zeigen im Vergleich zu ihren klassischen Gegenstücken begrenztes Potenzial, was die Kluft zwischen der heutigen verrauschten Quanten-Hardware und der für einen praktischen Vorteil benötigten Leistung verdeutlicht. Es scheint notwendig, Optimierungstechniken zu entwickeln, die besser für zukünftige fehlertolerante Quantencomputer geeignet sind, bei denen Quantenmethoden tatsächlich für reale Optimierungsaufgaben von Nutzen sein könnten. Durch die ehrliche Bewertung aktueller Grenzen helfen wir, einen realistischen Weg zur Quantenoptimierung aufzuzeigen, der echten Mehrwert liefert.
Quantenalgorithmen.
Wir entwickeln Techniken, die die Leistung von Quantenalgorithmen auf realer Hardware verbessern. Dazu gehört die Vorbereitung parametrisierter Quantenschaltkreise zur Reduzierung des Rechenaufwands, die Untersuchung, wie Auslesefehlerminderung paradoxerweise die Varianz bei Messungen erhöhen kann, und die Analyse, wie verschiedene Rauschquellen die Algorithmusleistung beeinflussen. Ein wesentlicher Teil unserer Forschung umfasst die Kunst und Wissenschaft der Abbildung komplexer (physikalischer) Probleme auf Quantencomputer-Architekturen – die Bestimmung, welche Qubits welche physikalischen Freiheitsgrade repräsentieren, wie Wechselwirkungen effizient codiert werden und wie aus verrauschten Messungen aussagekräftige Ergebnisse gewonnen werden können. Diese grundlegenden Studien zielen nicht auf eine einzelne Anwendung ab, sondern bauen das Werkzeugset auf, das Quantencomputing über verschiedene Domänen hinweg praktikabel macht – und helfen dem Feld, von Machbarkeitsdemonstrationen zu zuverlässigen Rechenwerkzeugen überzugehen.
Forschungspartner.
