Photonic REservoir computing QUantum correlation Set ORacle
Photonic REservoir computing QUantum correlation Set ORacle
Wissenschaftsdisziplinen
Informatik (35%); Physik, Astronomie (65%)
Keywords
-
Quantum machine learning,
Quantum causality,
Photonics,
Certification of quantum technologies,
Quantum artificial neural network,
Quantum information
In den letzten Jahrzehnten wurde eine neue Art von Technologie entwickelt, die auf der Quantenmechanik basiert. Diese Theorie beschreibt die Natur in ihrer mikroskopischen Skala. Ihre kontraintuitiven Gesetze haben sich als geeignet erwiesen, Probleme anzugehen, die als unerreichbar galten. So kann Quantenhardware in wenigen Sekunden Rechenprobleme lösen, für die die leistungsstärksten klassischen Computer Tausende von Jahren benötigen würden. Darüber hinaus bieten Quantensysteme die Werkzeuge, um ein Höchstmaß an Sicherheit in der Kommunikation zu erreichen. Trotz dieser Voraussetzungen ist dieses Gebiet, insbesondere aus experimenteller Sicht, noch sehr jung und viele Herausforderungen sind noch offen. So ist beispielsweise noch offen, wie man die korrekte Funktionsweise solcher Technologien verifizieren. PREQUrSOR bietet ein experimentelles Werkzeug zum Nachweis von Quantenphänomenen in beliebigen Prozessen. Dazu wird das Feld der quantenmechanischen Grundlagen mit maschinellem Lernen kombiniert, einem Teilgebiet der künstlichen Intelligenz, das darauf abzielt, dass Computer aus gegebenen Beispielen lernen und dann mit zuvor ungesehenen Daten korrekt umzugehen. Genauer gesagt werden wir einen Prototyp eines künstlichen neuronalen Netzes, eines Lernmodells, das der Struktur des menschlichen Gehirns ähnelt, auf quantenphotonischer Hardware aufbauen. Dieses Modell wird das Quantenverhalten von Photonen nutzen, um vertrauenswürdige Quantengeräte von fehlerhaften zu unterscheiden. Die wichtigsten Neuerungen dieses Projekts sind zwei: Einerseits werden wir die erste Implementierung eines künstlichen neuronalen Netzes auf einer photonischen Plattform bereitstellen. Angesichts der weiten Verbreitung klassischer künstlicher neuronaler Netze wird die Bereitstellung ihrer Quantenversion ein sehr vielseitiges Instrument zur Bewältigung neuer und vielfältiger Herausforderungen darstellen. Dies ist jedoch herausfordernd, da der Lernprozess eines neuronalen Netzes nichtlineare Effekte erfordert, die durch die Wechselwi rkung von Quantensystemen mit der Umgebung erzielt werden können. Dies kann jedoch auch dazu führen, dass ein Teil ihrer Quanteneigenschaften verloren geht. Eine Lösung für diesen scheinbaren Stillstand bietet ein neuartiges photonisches Gerät, der Quanten-Memristor, der von der Universität Wien entwickelt wurde und ein ähnliches Verhalten wie Gehirnsynapsen zeigt, während die Quanteneigenschaften von Photonen erhalten bleiben. Das zweite interessante Merkmal dieses Projekts ist, dass wir uns nicht mit einem klassischen Problem befassen. Die vorgeschlagene Überprüfung ist tatsächlich nur mit Hilfe einer Quantenapparatur möglich, was eine unmittelbare Nutzung dieser Ergebnisse ermöglicht. Im Gegenteil, die Suche nach einem Quanten-Vorteil wäre angesichts des unfairen Vergleichs zwischen dem frühen Stadium der Quantentechnologien und der Reife des klassischen Gegenstücks ein viel schwerer fassbarer Bereich gewesen.
- Universität Wien - 100%
Research Output
- 9 Zitationen
- 2 Publikationen
-
2025
Titel Demonstration of hardware efficient photonic variational quantum algorithm DOI 10.1103/d7bb-ybfh Typ Journal Article Autor Agresti I Journal Physical Review Research Seiten 043021 Link Publikation -
2025
Titel Experimental quantum-enhanced kernel-based machine learning on a photonic processor DOI 10.1038/s41566-025-01682-5 Typ Journal Article Autor Yin Z Journal Nature Photonics Seiten 1020-1027 Link Publikation