FORSCHUNG

Wir untersuchen Modelle für die Quanteninformationsverarbeitung und grundlegende Aspekte der Quanteninformationstheorie. Ein Schwerpunkt unserer Forschung ist die Theorie der messungsbasierten Quantenberechnung, die zu einem neuen und gründlicheren Verständnis der Vielteilchenverschränkung als Ressource und zu Anwendungen in der Quantenkommunikation, der Quantenfehlerkorrektur und Quantenalgorithmen geführt hat. Ein weiterer Schwerpunkt liegt auf der Anwendung und Entwicklung des maschinellen Lernens in den Grundlagenwissenschaften und auf der Untersuchung physikalischer Modelle für das Lernen. Einige unserer Arbeiten sind sehr interdisziplinär und befassen sich mit Fragen aus verschiedenen Bereichen wie der Quantenphysik, der Robotik, der Verhaltensbiologie und der Philosophie des Handelns.

KI und Wissenschaft

Quanteninformatik

... und mehr

Neuigkeiten und Aktivitäten

Online anschauen: Ein aktueller Vortrag von Hans Briegel über künstliche Intelligenz und Quantenphysik.
In diesem Vortrag, gehalten auf der SFB BeyondC Konferenz 2022, spricht Hans Briegel über unsere Forschung zu erklärbarer KI in der Wissenschaft.

Wir haben vor kurzem einen ERC Advanced Grant erhalten, um die Erklärbarkeit und Interpretierbarkeit von KI in der Quantenphysik zu untersuchen.

Unsere Arbeit zum maschinellen Quantenlernen jenseits von Kernel-Methoden wurde kürzlich in Nature Communications veröffentlicht.

Unsere Arbeit über operativ sinnvolle Repräsentationen für physikalische Systeme wurde in IOP Machine Learning veröffentlicht: Wissenschaft und Technologie.
In dieser Zusammenarbeit mit unseren Kollegen an der ETH verwenden wir unüberwachtes Lernen, um autonom sinnvolle Darstellungen von physikalischen Systemen wie Qubits zu erzeugen.

Unser Artikel "Collective operations can exponentially enhance quantum state verification" wurde in Physical Review Letters veröffentlicht.
Wir haben gezeigt, dass der Zugang zu mehreren Kopien eines zweiseitigen Zustands die Anzahl der Zustände, die man messen (und damit zerstören) muss, um ihre Verschränkung zu bestätigen, exponentiell reduzieren kann.

Preprint über Quanten-Maschinenlernen jenseits von Kernel-Methoden
In Zusammenarbeit mit Kollegen von der Universität Leiden und dem MPI für Intelligente Systeme haben wir einen ersten vereinheitlichenden Rahmen für alle QML-Modelle geschaffen und nachgewiesen, dass in realistischen Szenarien einige Modelle exponentiell besser sein können als andere.

Unser gemeinsamer Artikel über die Kommunikation von Honigbienen während der kollektiven Verteidigung erschien in BMC Biology
Diese Forschung wurde in Zusammenarbeit mit Morgane Nouvian und Thomas Müller an der Universität Konstanz durchgeführt.