Description du projet
Briser la barrière du qubit: oscillateurs quantiques supraconducteurs couplés paramétriquement
Avec ses qubits analogues aux bits de l’informatique classique, l’informatique quantique promet une capacité de calcul sans précédent, à la fois en termes d’échelle que de temps de calcul. Les qubits supraconducteurs figurent parmi les plateformes qui suscitent le plus d’intérêt, mais l’augmentation du nombre de qubits supraconducteurs couplés physiquement aux tailles des réseaux demeure un défi; le plus grand ordinateur quantique conçu à ce jour compte moins de 500 qubits. Le projet qDynnet, financé par le CER, entend concevoir une approche pionnière pour surmonter cet obstacle. Des oscillateurs quantiques supraconducteurs couplés paramétriquement au lieu de qubits couplés physiquement permettront de mettre en place des réseaux neuronaux quantiques affichant une taille, une connectivité et une ajustabilité sans précédent. Le projet ira plus loin que les simulations actuelles et réalisera de manière expérimentale des architectures de réseaux neuronaux quantiques dynamiques comportant des millions de neurones et de connexions ajustables.
Objectif
Quantum neural networks are a young research field, that has been rapidly expanding due to their potential to attain revolutionary computing capacities and the possibility to learn on quantum data, inaccessible to classical computers. However, despite impressive proof-of-concept results, currently existing approaches that rely on sparsely coupled qubits, are not scalable to network sizes and connectivities with tunable weights required for state-of-the art tasks. In qDynnet, I will adopt a completely new and unexplored approach that uses parametrically coupled superconducting quantum oscillators instead of physically coupled qubits, that will allow me to obtain quantum neural networks of unprecedented size, connectivity and tunability. To do this, I will shift the paradigm by implementing neurons as basis states of dynamically coupled multi-level quantum oscillators, and connections between neurons as transition rates obtained through different dynamical processes such as parametric coupling, resonant drives and dissipation. I will implement experimentally quantum neural network architectures that were only simulated until now and use them to demonstrate data classification with basis state neurons. In order to go towards more complex tasks, I will use parametric coupling to introduce tunable connections between neurons. I will develop new training methods that will allow me to tune connections in such dynamical quantum neural networks and use them to demonstrate learning to recognize quantum states. I will develop circuit geometries that will be scalable to large quantum neural networks with millions of neurons and tunable connections. The qDynnet project will provide understanding of physics, and methods for dynamical coupling and training, that will have a broad impact across quantum computing fields and serve as a foundation for a whole new family of large-scale dynamical quantum neural networks.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- ingénierie et technologiegénie électrique, génie électronique, génie de l’informationingénierie électroniquematériel informatiquecalculateur quantique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thème(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2022-STG
Voir d’autres projets de cet appelRégime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
75794 Paris
France