Ein Forscherteam aus Wissenschaftlern der Freien Universität Berlin und Google Quantum AI hat eine innovative neue Methode zur Schätzung der Parameter von Hamilton-Operatoren entwickelt. Die Wissenschaftler haben eine neue Technik vorgeschlagen, die skalierbar und auf große Quantenprozessoren anwendbar sein könnte. Mit dieser Methode könnten Quantensimulationen in Zukunft noch präziser durchgeführt werden. Die Ergebnisse der Studie wurden kürzlich in der Fachzeitschrift Nature Communications veröffentlicht unter: https://www.nature.com/articles/s41467-024-52629-3.
Benannt nach William Rowan Hamilton, stellt der Hamiltonian eines Systems dessen Gesamtenergie dar. Der Begriff wird sowohl in der Quantenmechanik als auch in der klassischen Mechanik verwendet. In der Quantenmechanik wird der Hamiltonian in der Regel als gegeben angenommen, bleibt aber in seinen Einzelheiten oft unbekannt. Er ist jedoch ein wichtiger Faktor für die genaue Vorhersage der zeitlichen Entwicklung von Quantensystemen. In der Folge könnte das Verständnis, wie Daten genutzt werden können, um den Hamiltonian eines Systems zu erkennen („Hamiltonianisches Lernen“), eine entscheidende Rolle bei der Entwicklung der Quantentechnologie in der Zukunft spielen.
Die Quantentechnologie und insbesondere das Quantencomputing gelten als eine Schlüsseltechnologie der Zukunft. Anders als herkömmliche Computer unterliegen Quantencomputer nicht den klassischen Gesetzen der Physik. Sie beruhen auf den Prinzipien der Quantenmechanik, was bedeutet, dass die Recheneinheit einzelne Atome oder Ionen als individuelle Verarbeitungseinheiten nutzt. Technologieunternehmen und ganze Staaten, darunter auch Deutschland, investieren derzeit massiv in die Erforschung und Entwicklung dieser neuen Technologien.On the Case: Quantenforschung in Aktion
Die Zusammenarbeit zwischen Google Quantum AI unter der Leitung von Pedram Roushan und der Forschungsgruppe von Jens Eisert an der Freien Universität begann mit einem Anruf eines Google-Kollegen bei Eisert. Der Kollege hatte Schwierigkeiten, Googles supraleitenden Quantenprozessor Sycamore mit Methoden des Hamiltonschen Lernens zu kalibrieren. Die ersten Versuche der Forscher waren unzureichend, und es wurde klar, dass nur eine Technik, die sich der Superauflösung bedient, die benötigten Ergebnisse liefern konnte. „Unter bestimmten Bedingungen erlauben uns superauflösende Methoden, über die grundlegenden Grenzen der Auflösung hinauszugehen“, erklärt Eisert.
Die Lösung des Problems war keine leichte Aufgabe, aber Eisert und sein Team, zu dem auch die Doktoranden Dominik Hangleiter und Ingo Roth gehören, waren entschlossen, es zu versuchen. „Während das Grundprinzip recht schnell klar war, dauerte es drei Jahre intensiver Forschung, bis wir verstanden, wie wir das Hamilton’sche Lernen robust genug machen konnten, um es auf groß angelegte Experimente anzuwenden“, sagt Eisert. Während dieser Zeit gab es im Team mehrere Veränderungen: Hangleiter wechselte an die University of Maryland, Roth zog nach Abu Dhabi, und Jonáš Fuksa schloss sich Eiserts Forschungsgruppe an der Freien Universität an.Durchbruch erschließt neues Potenzial
Das Ergebnis war ein echter Durchbruch. Die Forscher konnten den Sycamore-Prozessor – einen der fortschrittlichsten Quantencomputer der Welt – so präzise wie nie zuvor kalibrieren. „Diese neue Methode erhöht die Vorhersagbarkeit und Präzision von Quantentechnologien erheblich und schafft neue Möglichkeiten für Simulationen mit kondensierter Materie“, sagt Eisert.
