Detailseite
Projekt Druckansicht

Maschinelles Lernen für qutritbasiertes Quantencomputing und -simulationen mit Rydberg-Atomen

Fachliche Zuordnung Optik, Quantenoptik und Physik der Atome, Moleküle und Plasmen
Theoretische Physik der kondensierten Materie
Förderung Förderung seit 2026
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 550495627
 
Das Projekt setzt Methoden des maschinellen Lernens ein, um Ein- und Zwei-Qutrit-Gatter in Tweezer-Arrays mit neutralen Atomen zu optimieren. Wir verwenden Bayessche Optimierung und Reinforcement Learning, ausgehend von numerischen Simulationen, die experimentell validierte Dekohärenz- und Verlustkanäle für Ytterbium-Atome in optischen Arrays berücksichtigen. Auf Grundlage dieser Ergebnisse streben wir experimentelle Implementierungen an, um erhöhte Fidelitäten und eine verbesserte Robustheit verschiedener Gatteroperationen zu demonstrieren. Während Einzelatom-Operationen auf diese Weise gut kontrolliert werden können, erfordert die Optimierung von Zwei-Atom-Wechselwirkungen für digitale und analoge Simulationen ausgefeiltere Protokolle. Wir werden sowohl Rydberg-Blockade- als auch resonante Dipol-Dipol-Wechselwirkungen einbeziehen, um die Kontrolle des Qutrit-Teilraums für Zustandsvorbereitung und Auslese zu optimieren. Spezifische Protokolle werden für Anwendungen wie das t-j-Modell entwickelt, das für das Verständnis unkonventioneller Supraleitung von besonderem Interesse ist. Unsere Kontrollprotokolle werden ein breites Spektrum von Anwendungen unterstützen, die auf Qutrit-Implementierungen basieren.
DFG-Verfahren Forschungsgruppen
 
 

Zusatzinformationen

Textvergrößerung und Kontrastanpassung