Kvantecomputer: Revolutionær indsigt i naturens hemmeligheder!

Veröffentlicht:

Von:

Tum samarbejder med Princeton og Google for at bruge kvantecomputere til grundlæggende fysik og maskinlæring.
Tum samarbejder med Princeton og Google for at bruge kvantecomputere til grundlæggende fysik og maskinlæring. (Symbolbild/NAG)

Technische Universität München, Deutschland - Den 4. Juni 2025 tog forskere fra det tekniske universitet i München (TUM) et vigtigt skridt inden for kvanteinformatik i samarbejde med Princeton University og Google Quantum AI. Deres forskning viser, hvordan kvantecomputere kan bruges til at simulere grundlæggende fysiske processer. Almindelige supercomputere er ofte overvældede, når det kommer til at beregne og kontrollere naturens grundlæggende kræfter. Brugen af ​​kvantecomputere åbner nye muligheder her.

Disse kvantecomputere er i stand til at simulere processer direkte, hvilket gør det til et vigtigt værktøj i kvanteinformatik. Resultaterne af undersøgelsen, der er offentliggjort i tidsskriftet Nature, viser opførslen af ​​såkaldte strenge og skaber således grundlaget for dybere indsigt i partikelfysik, kvantematerialer og arten af ​​rum og tid.

kvantealgoritmer og deres applikationer

Parallelt med denne udvikling arbejder et team under ledelse af Jeanette Lorenz med at tilpasse algoritmer til kvantecomputere. Dit projekt Quast undersøger, hvordan du håndterer hardwarefejlene i qubits. En softwarestak er udviklet, der strukturerer og optimerer alle komponenter til udvikling og drift af kvantecomputere. Der lægges særlig vægt på industrielle optimeringsproblemer, som der ikke er perfekte løsninger.

Det viser, at forskellige hardware, såsom superledende qubits eller ionfælder, hver tilbyder specifikke fordele og ulemper for visse applikationer. Disse teknologier kan for eksempel bruges til at optimere elektricitetsnetværk eller til at løse komplekse kombinationsproblemer. Virksomheder, såsom i bilindustrien, har nu muligheden for at udvikle kvantbaserede løsninger selv uden at skulle håndtere deres egne kvanteeksperter.

Maskinindlæring og kvanteberegning

Et andet lovende område er kvantealgoritmer til maskinlæring, der undersøges af et tværfagligt team. Disse algoritmer tilbyder muligheden for at klassificere data mere effektivt, generere nye data og drift af uovervindelig læring. Imidlertid kræves mange fejlkorrigerede qubits til den ønskede kvantefordel, hvilket kun er muligt i begrænset omfang på grund af de nuværende støjende kvanteprocessorer.

AI4QT -projektet forfølger målet om at udvikle algoritmer til maskinlæring baseret på de særlige krav til kvantesensorer. Der søges en symbiose af kvantemekaniske forhold og maskinlæring. Derudover er protokoller og biblioteker udviklet for at optimere kvantehardwares færdigheder og for yderligere at fremme de praktiske anvendelser af maskinlæring.

Udviklingen inden for kvanteberegning viser stort potentiale, både inden for grundlæggende forskning og i praktiske industrielle anvendelser. Både arbejde med kvantemekaniske modeller såvel som tilpasning og optimering af algoritmer er afgørende for at forene teknologien med industriens behov og dermed fremme videnskab.

For mere detaljeret information på grundlag af forskning, rapportering af tum , mens udviklingen inden for kvanten og industrielle applikationer ved Fraunhofer . Yderligere indsigt i forbindelsen mellem kvanteberegning og mekanisk læring findes på Quantentechnologien.de

Details
OrtTechnische Universität München, Deutschland
Quellen