Hier setzt die internationale, von der Deutschen Forschungsgemeinschaft (DFG) gef?rderte Forschungsgruppe ?Maschinelles Lernen für komplexe Quantenzust?nde“ 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 Universit?ten und Forschungseinrichtungen zusammengetan, darunter die Universit?t Augsburg.

Quantentechnologien zum Durchbruch verhelfen

?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“, erkl?rt Prof. Dr. Markus Heyl, Professor für Theoretische Physik III an der Universit?t Augsburg. ?Wir m?chten L?sungen mit Methoden des maschinellen Lernens finden und so Quantentechnologien zum Durchbruch verhelfen.“

Ein Ziel der Forschungsgruppe ist es, neue Methoden zu finden, quantenmechanische Verschr?nkungsstrukturen zu untersuchen. Au?erdem sollen Informationsausbreitung und ?quilibrierung, also der ?bergang in einen Gleichgewichtszustand, in diesen Systemen erforscht werden. Auch die kontrollierte Erzeugung von Quantenverschr?nkung soll erprobt werden.

Gro?e Datens?tze

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 – vollst?ndigen Vielteilchen-Konfigurationen, die bei modernen quantenmechanischen Messungen entstehen und ?hnlich wie Bilddaten funktionieren. Diese Datens?tze enthalten enorme Informationsmengen über Quantenzust?nde. Bisherige Methoden reduzieren diese Daten oft stark – mit dem Risiko, entscheidende Informationen zu verlieren.

Neuer Ansatz für Datenanalyse

?In modernen Experimenten fallen so viele Daten an wie nie zuvor“, erkl?rt Heyl. ?Das ist faszinierend – aber tats?chlich wei? niemand so genau, wie man diese Daten vollst?ndig aussch?pfen 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 zug?ngliche Quantenzust?nde besser verstanden werden, etwa Quantenspinflüssigkeiten, die als potenzielle Ressource im Quanten-Computing gelten.

?Für einige Quantenzust?nde – wie die Quantenspinflüssigkeit – gibt es bis heute keinen experimentellen Nachweis“, so Heyl. ?Wir wollen herausfinden, ob sich mit unserem neuen Netzwerkansatz genau solche Zust?nde identifizieren lassen.“

Bei der Forschungsfrage arbeitet Heyl mit Prof. Dr. Annabelle Bohrdt (Ludwig-Maximilians-Universit?t München), Dr. Markus Schmitt (Universit?t Regensburg) und Prof. Dr. Giuseppe Carleo (?cole Polytechnique Fédérale de Lausanne) zusammen.

Internationales Verbundprojekt

An der Forschungsgruppe beteiligt sind neben der Universit?t Augsburg auch die Universit?t Regensburg, die Technische Universit?t Dortmund, die Ludwig-Maximilians-Universit?t München, die Friedrich-Schiller-Universit?t Jena, das Max-Planck-Institut für Physik komplexer Systeme Dresden, die ?cole Polytechnique Fédérale de Lausanne sowie die Eidgen?ssische Technische Hochschule (ETH) Zürich. Sprecher des Forschungsverbunds ist Dr. Markus Schmitt (Universit?t Regensburg).

Die Forschungsgruppe wird im Rahmen der D-A-CH-Zusammenarbeit gemeinsam von der DFG und dem Schweizerischen Nationalfonds (SNF) gef?rdert. Die F?rderung betr?gt rund 4,5 Millionen Euro für die F?rderperiode von 2026 bis 2030.

cg