Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.07.2023
Reinforcement learning für adaptive Ausführung von Quantengattern
Dr. Markus Schmitt
Universität Regensburg
Fakultät für Informatik & Data Science
Prof. Dr. K. Brigitta Whaley
University of California, Berkeley
Berkeley Quantum Information and Computaion Center
Eine zentrale Herausforderung für den produktiven Einsatz von Quantencomputern in der nahen Zukunft ist die hochgenaue Realisierung von Quantengattern. Das Ziel dieses Projekts ist es, adaptive Strategien für ein optimales Design von Quantengattern zu finden. Unter Verwendung von Reinforcement Learning werden wir uns auf zwei Aspekte konzentrieren, nämlich (i) die Einbeziehung von "Kontext" über Geräteparameter und (ii) Online-Kontrolle, die in der Lage ist, auf Rauscheffekte während der Gatterausführung zu reagieren. (i) befasst sich mit der Herausforderung, dass die Rekalibrierung eines Quantenchips bedeutet, die Gatter zwischen jedem möglichen Qubit-Paar auf einem Chip zu optimieren. Unser Ziel ist es, einen Reinforcement-Learning-Agenten so zu trainieren, dass er auf der Grundlage einiger charakteristischer physikalischer Parameter der Qubit-Paare direkt einen geeigneten Steuerimpuls vorschlägt. Ziel von (ii) ist es, einen neuen Ansatz für die Suche nach Kontrollstrategien zu entwickeln, die unmittelbare Rückmeldungen aus Teilbeobachtungen der Systeme nutzen, um optimale Pulse für jede einzelne Gatterausführung zu verwenden. Beide Teile dieses Projekts werden Bausteine für die autonome und effiziente Kalibrierung von digitalen Quantencomputern sein.