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

• Antragstellerinnen: Professorin Dr. Monika Aidelsburger; Professorin Dr. Annabelle Bohrdt
• 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
• Teilprojekt zu: FOR 5919: Maschinelles Lernen für komplexe Quantenzustände
• Mitverantwortliche: Dr. Marin Bukov; Professor Dr. Martin Gärttner