NeuQuant

Neuronale Quantennetzwerke auf NISQ-Quantencomputern

01/01/2025 to 31/12/2027

Ziel des Verbundprojektes ist die Ausarbeitung und Demonstration von Konzepten der Datenverarbeitung und des quantenmaschinellen Lernens, die es erlauben neuronale Quantennetzwerke auf gegenwärtig verfügbarer NISQ-Hardware zu implementieren, effizient zu trainieren und zur Klassifikation von Quantendaten einzusetzen.
Unser neuartiger Ansatz beruht auf der Ausnutzung der Äquivalenz zwischen der Quantendynamik offener Vielteilchensysteme und der Art und Weise, mit der Information in neuronalen Quantennetzwerken verarbeitet wird. In Vielteilchensystemen führen kurzreichweitige und translationsinvariante Wechselwirkungen im Zusammenspiel mit externem Rauschen zu emergenten Effekten, wie z.B. spontaner Symmetriebrechung und nichtergodischem Verhalten, mit deren Hilfe die Klassifikationen von Quanten(daten) erreicht werden kann: Verschiedene Klassen von Anfangszuständen werden mit makroskopisch unterscheidbaren Endzuständen verknüpft. Daher ist es zu erwarten, dass auch neuronale, rauschbehaftete Quantennetzwerke, deren Aufbau durch die Dynamik offener Vielteilchensystem motiviert ist, Aufgaben des quantenmaschinellen Lernens erfüllen können. Durch die Abhängigkeit der Dynamik dieser Systeme von nur wenigen Parametern erwarten wir weiterhin eine effizientere Trainierbarkeit und Interpretierbarkeit im Vergleich zu gegenwärtig verwendeten Typen neuronaler Quantennetzwerke, die von sehr vielen freien Parametern abhängen.
Unser Konsortium umfasst Arbeitsgruppen der Universität Tübingen und des Forschungszentrums Jülich sowie das Unternehmen HQS Quantum Simulations GmbH, mit breit gefächerter Expertise in den Bereichen Theorie offener Quantensysteme, Vielteilchentheorie, Quantensimulation, zellulärer Automaten und Quantenfehlerkorrektur. Weiterhin haben wir Erfahrung mit der Verwendung von Cloud-Quantencomputern, der Standardisierung von Softwareschnittstellen, der Serialisierung von Daten und der Implementation von Quantenalgorithmen auf aktueller NISQ-Hardware.
Anwendungsmöglichkeiten unserer Forschungsergebnisse ergeben sich in der chemischen Industrie, der Prozessüberwachung und dem Design neuer Materialien. Um dies zu demonstrieren, werden wir die neu entwickelten neuronalen Quantennetzwerke auf gegenwärtig verfügbarer NISQ-Hardware implementieren und zur Klassifizierung molekularer Spektren einsetzen. Weiterhin werden wir Standards zum Austausch trainierter neuronaler Quantennetzwerke definieren und die Integration unserer Entwicklungen in bestehende Software vorantreiben.