Rückkopplungssteuerung überwachter Quantendynamik erlernen

• Antragsteller: Dr. Marin Bukov; Dr. Markus Schmitt; Professor Dr. Simon Trebst
• Fachliche Zuordnung: Theoretische Physik der kondensierten Materie
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 550495627

Dieses Projekt nutzt maschinelles Lernen, um eine skalierbare Rückkopplungssteuerung komplexer Vielteilchen-Quantenzustände zu entwickeln. Mithilfe von Informationen aus Messungen im Quantenschaltkreis sollen interaktive Schaltungsarchitekturen variationell entdeckt werden, die Vielteilchenzustände ohne Gradientenmethoden oder vollständige klassische Simulierbarkeit präparieren und stabilisieren. Wir wenden fortschrittliche Mustererkennung auf Syndrom- und Stabilisatormessdaten an und erweitern so die Grenzen der schnellen Dekodierung auf Basis des maschinellen Lernens für deformierte Quantenspeicher, Teleportation und GHZ-Zustandserzeugung in Schaltkreisen konstanter Tiefe, indem wir Muster identifizieren und die Schlüsselinformationen extrahieren, die komplexe Quantensysteme in gewünschte Zustände lenken. Durch die Kombination von überwachtem Lernen für die Dekodierung mit bestärkendem Lernen für die Echtzeit-Rückkopplungssteuerung werden wir schließlich ein einheitliches Strategiefindungs-Framework entwickeln, das sich an gerätespezifische Rauscheigenschaften anpasst, sich in modernste Dekodierungsalgorithmen integrieren lässt und automatisch optimale Protokolle für fehlertolerante Quanteninformationsverarbeitung produziert.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5919: Maschinelles Lernen für komplexe Quantenzustände
• Mitverantwortliche: Professorin Dr. Monika Aidelsburger; Professor Dr. Florian Kai Marquardt