AI Quantum Lab
Künstliche Intelligenz und Quantenwissenschaft
AI Quantum Lab
-
KI-inspirierte Quantenexperimente
AI-driven discovery of new quantum experiments
Foto: Xuemei GuTraditionell basierte die Konzeption von Quantenexperimenten auf menschlicher Intuition, Kreativität und fundierten mathematischen Kenntnissen. Die kontraintuitive Natur der Quantenmechanik und der riesige kombinatorische Raum potenzieller Konfigurationen machen diesen Ansatz jedoch langsam und äußerst schwierig. Künstliche Intelligenz verändert nun die Art und Weise, wie wir diesen Suchraum navigieren und neue Möglichkeiten in der Quantenphysik entdecken. Wir haben PyTheus entwickelt, ein Open-Source-Framework für digitale Entdeckungen, das autonom neue Quantenexperimente generiert (Quantum 7, 1204 (2023)). PyTheus integriert einen physikalischen Simulator, der graphbasierte Darstellungen verwendet, um verschiedene optische Komponenten und Versuchsaufbauten zu modellieren, die in realen Laboren implementiert werden können (Proc. Natl. Acad. Sci. U.S.A. 116 (10) 4147-4155 (2019)). Wir haben dieses Framework angewendet, um stark verschränkte Quantenzustände, Messschemata, Quantenkommunikationsprotokolle und Mehrteilchen-Quantengatter zu entdecken. Unser Ziel ist es, leistungsstarke Physiksimulatoren mit modernen KI- und Machine-Learning-Techniken zu entwickeln, um den großen experimentellen Entwurfsraum zu erforschen und neue Ideen in der Quantenwissenschaft zu entdecken.
-
KI-inspirierte Forschungsideen und Zusammenarbeit
Frühere KI-gestützte Versuchsdesigns basierten auf Simulatoren und Optimierungsalgorithmen, verfügten jedoch nicht über das gesammelte Wissen, das menschliche Forscher über Jahrzehnte hinweg erworben hatten. Diese Einschränkung veranlasste uns zu untersuchen, wie KI-Systeme vorhandene Literatur effektiv nutzen können, um Entdeckungen zu beschleunigen. Wir haben einen groß angelegten semantischen Wissensgraphen aus über 92 Millionen wissenschaftlichen Artikeln erstellt, um das sich weiterentwickelnde wissenschaftliche Wissen zu erfassen, und Machine-Learning-Modelle entwickelt, die zukünftige Forschungsrichtungen prognostizieren und vielversprechende, noch unerforschte Ideen identifizieren (MLST 6, 025041 (2025); MLST 6, 015029 (2024)). Aber wie überzeugend sind KI-generierte Ideen und wie können wir ihre Qualität verbessern? Um diese Frage zu beantworten, haben wir SciMuse entwickelt, das große Wissensgraphen mit großen Sprachmodellen kombiniert, um personalisierte, interdisziplinäre Forschungsvorschläge zu generieren (arXiv:2405.17044 (2024)). In einer groß angelegten menschlichen Bewertung haben 110 Forschungsgruppenleiter aus 54 Max-Planck-Instituten über 4.400 KI-generierte personalisierte Ideen geprüft, von denen fast 25 % als sehr interessant bewertet wurden. Unser Ziel ist es, KI-Systeme zu entwickeln, die interessante neue Forschungsideen generieren und zu unerwarteten interdisziplinären Kooperationen inspirieren.
-
Interpretierbare KI für die Quantenwissenschaft
Experiment design via interpretable deep learning
Foto: Xuemei GuNeuronale Netze und generative Modelle werden zunehmend eingesetzt, um wissenschaftliche Entdeckungen zu beschleunigen, aber ihre Entscheidungsprozesse bleiben oft eine Black Box. Wir erforschen Methoden, die gelernte Darstellungen mit physikalischen Erkenntnissen in Einklang bringen, und erstellen Modelle, deren interne Struktur verständlich, manipulierbar und wissenschaftlich aussagekräftig ist. Durch die Anpassung eines variationalen Autoencoders aus der Quantenoptik kann man beispielsweise latente Variablen als Kodierung physikalisch relevanter Transformationen interpretieren und dann Experimente mittels latenter Navigation generieren (Nat Mach Intell 4, 544–554 (2022)). Wir verwenden auch Deep-Dreaming-Techniken, um Quantenexperimente zu entwerfen und zu zeigen, wie trainierte Netzwerke Quantensysteme konzeptualisieren und ihre Entscheidungswege offenlegen (MLST 5, 015029 (2024)). Unser Ziel ist es, interpretierbare KI-Systeme zu entwickeln, die nicht nur Entdeckungen automatisieren, sondern auch Entwürfe und Lösungen in Formen produzieren, die Wissenschaftler verstehen können.
-
Quanteninformationswissenschaft
Verschränkung und Nichtlokalität in der Quantenmechanik stellen die klassische Intuition in Frage und eröffnen gleichzeitig neue Möglichkeiten für die Informationsverarbeitung. Wir untersuchen, wie Mehrteilchenverschränkung und Quantenoperationen als Ressourcen für Berechnung, Kommunikation und Messtechnik dienen können. Durch die Untersuchung nichtlokaler Korrelationen in komplexen Netzwerkszenarien lässt sich beispielsweise zeigen, wie solche Korrelationen geräteunabhängig zertifiziert werden können. Unser Ziel ist es, sowohl das grundlegende Verständnis der Quantentheorie als auch ihre praktische Umsetzung in zukünftigen Quantentechnologien voranzutreiben.
Xuemei Gu, Dr.