Forschung

Die Verschränkung, die Erwin Schrödinger als charakteristisches Merkmal der Quantenmechanik bezeichnet hat, ist die Ressource, die viele Quantentechnologien ihren klassischen Pendants überlegen macht. Gleichzeitig steht die Verschränkung im Mittelpunkt vieler physikalischer Phänomene. Sie erklärt beispielsweise, warum interagierende Quantensysteme, selbst wenn sie vollständig von ihrer Umgebung isoliert sind, sich in ein thermisches Gleichgewicht entspannen können. Daher sind Techniken zur Erkennung und Quantifizierung der Verschränkung auf der Grundlage experimenteller Daten dringend erforderlich. Wir entwickeln solche Techniken unter Berücksichtigung der konkreten Messmöglichkeiten von Quanten-Simulationsplattformen, darunter kalte Atome und photonische Systeme.

In der Physik kann man sich die Kunst der Simulation als die Fähigkeit vorstellen, das Verhalten eines bestimmten physikalischen Systems mithilfe eines Ad-hoc-Geräts nachzuahmen – vom lateinischen simulare.
Es ist bemerkenswert, wie man ein physikalisches Problem grundsätzlich angehen kann, indem man die Sprache ändert, in der es natürlich ausgedrückt wird.
So ist es beispielsweise möglich, die zeitliche Entwicklung eines Quantenfeldes allein anhand optischer Elemente neu zu formulieren! Dies ist ein wichtiger Forschungsaspekt unseres Projekts.

Unser Ziel ist es, die Struktur verschiedener Quantenfeldtheorien mithilfe photonischer Plattformen besser zu verstehen und diese zu nutzen, um grundlegende Aspekte wie das Verhalten der Verschränkungsentropie zu erforschen. Gleichzeitig verwenden wir Techniken des maschinellen Lernens, um geräteunabhängige Methoden zu entwickeln, mit denen sich der Fingerabdruck eines Zustands berechnen lässt, beispielsweise seine Nichtklassizität, ein Merkmal, das im Zentrum der Quanteninformationstheorie steht.

Quantenmessungen unterscheiden sich deutlich von klassischen Messungen, da sie den Zustand des Systems zwangsläufig in gewissem Maße beeinflussen. Dies führt zu Feinheiten bei der Charakterisierung von Quantenzuständen anhand experimenteller Daten, einer für Quantentechnologien hochrelevanten Aufgabe. Wir entwickeln Messstrategien, die eine möglichst effiziente Charakterisierung von Quantenzuständen mithilfe einer Rückkopplungsschleife ermöglichen. Außerdem untersuchen wir, wie experimentelle Fehler, die während des Ausleseprozesses auftreten, durch Nachbearbeitung der Messdaten korrigiert werden können.

Unordnung ist in vielen natürlichen Systemen vorhanden, von Gläsern und amorphen Feststoffen bis hin zu sozialen Netzwerken mit scheinbar zufälligen Verbindungen. Solche Systeme zeigen oft überraschende dynamische Effekte. Im Bereich der Quanten-Vielteilchensysteme kann Unordnung zu hierarchischer Relaxation und glasartigem Verhalten führen. Wir untersuchen die Relaxationsdynamik und den Transport in Quanten-Spin-Systemen, in denen die Wechselwirkungen zwischen den Teilchen bis zu einem gewissen Grad zufällig sind. Solche Systeme lassen sich durch kalte Atome realisieren, die in Rydberg-Zustände angeregt werden. In diesen hochangeregten Zuständen interagieren die Atome über starke Dipol-Dipol-Wechselwirkungen. Wir modellieren diese Systeme numerisch und versuchen, neue Wege zu finden, um ihre Eigenschaften experimentell zu untersuchen.

Künstliche neuronale Netze haben sich für Aufgaben des maschinellen Lernens wie Computer Vision und Spracherkennung als äußerst erfolgreich erwiesen. Insbesondere können generative Modelle trainiert werden, um Wahrscheinlichkeitsverteilungen auf der Grundlage von Datenproben zu approximieren. Quantenzustände werden durch hochdimensionale Wahrscheinlichkeitsverteilungen dargestellt, was den Einsatz generativer Modelle zur Ermittlung effizienter Zustandsdarstellungen nahelegt. Wir nutzen diesen Ansatz, um numerische Werkzeuge zur Berechnung der zeitlichen Entwicklung von Quanten-Vielteilchenzuständen zu entwickeln und Quantenzustandstomographie durchzuführen. Darüber hinaus verwenden wir überwachtes Lernen, um Entropiegrößen aus gemessenen Daten effizient vorherzusagen.