Quantenschatten: skalierbare Quanten-Klassisch-Umsetzer

Auf dem Weg zu revolutionären Quantencomputern gibt es viele Stolpersteine. Groß angelegte Quantenexperimente erfordern zum Beispiel erhebliche Rechenleistung von klassischen Computern, um die Experimente zu kontrollieren und die Ergebnisse zu verarbeiten. Dieser Ressourcenaufwand beeinträchtigt die Übertragung von Informationen zwischen der quanten- und der klassischen Welt. Das wiederum behindert die Nutzung vorhandener Computer-Architekturen und könnte sogar die Skalierung zu immer grösseren und mächtigeren Quantencomputern beeinträchtigen. Das Projekt verwendet einen einheitlichen Ansatz, der alle Ressourcen der Computertechnologie (quanten- und klassische Computer) berücksichtigt. Um die Informationsübertragungs-Engpässe zu überwinden, werden Interfaces entwickelt, die Quanteninformation in aussagekräftige klassische Information umwandeln. Diese Interfaces, genannt Shadows, kombinieren klassische Randomisierung mit fundamentalen Quanteneffekten, um eine präzise klassische Beschreibung eines zugrunde liegenden Quantensystems zu erhalten. Diese Beschreibung ermöglicht eine effiziente und parallelisierbare Vorhersage extrem vieler Merkmale des Quantensystems. Maschinelles lernen kann dann die wesentlichen Merkmale identifizieren. Damit wird eine Brücke zwischen klassischem Maschinellem Lernen und quantenbasierten Experimenten geschlagen. Das interdisziplinäre Projekt kombiniert also Methoden aus der modernen klassischen Informatik mit der Quanteninformation und künstlicher Intelligenz. Die Ergebnisse dieses Projekts werden dazu beitragen, die Möglichkeiten der Quanteninformatik zu erweitern und die Entwicklung von zuverlässigeren und effizienteren Quantencomputern voranzutreiben. Das Projekt eröffnet neue Perspektiven für Anwendungen in verschiedenen Bereichen wie Simulation, Optimierung und künstlicher Intelligenz.