Description du projet
Faire progresser le contrôle quantique hors équilibre grâce à des simulateurs quantiques pilotés par l’IA
Le contrôle de la matière quantique dans des états hors d’équilibre constitue un défi de taille pour la physique moderne. Le projet QuSimCtrl, financé par le CER se propose de résoudre ce problème en étendant le contrôle des états d’équilibre aux états hors équilibre. S’appuyant sur la simulation quantique, il explorera des phénomènes qui ne sont pas observés dans les matériaux conventionnels et relèvera le défi de la manipulation de systèmes hors équilibre intensément entraînés. En intégrant le contrôle quantique à l’IA, en particulier l’apprentissage par renforcement (AR), le projet développera des cadres pour le contrôle non-adiabatique de l’état de corps multiples, améliorant ainsi la manipulation des atomes froids, des ions piégés et des solides quantiques. Son objectif consiste à dégager des principes directeurs pour le contrôle de corps multiples hors équilibre, en reliant la dynamique quantique, la mécanique statistique et l’apprentissage automatique. Cette recherche est cruciale pour l’innovation dans le domaine de matériaux et de technologies basés sur des processus hors équilibre dans la matière condensée, l’optique quantique et l’informatique quantique.
Objectif
The ability to control quantum matter in a state of equilibrium is a milestone of 20th-century physics. A major goal of modern physics is to extend this knowledge to out-of-equilibrium systems. Located at the boundary between equilibrium and nonequilibrum, quantum simulation appears particularly suitable for this purpose. Using periodic drives, quantum simulators can experimentally emulate phenomena hitherto inaccessible in conventional materials, such as artificial gauge fields or topological and dynamically localized matter. However, our understanding of how to manipulate systems exposed to intense nonequilibrium drives is in its infancy, especially regarding strongly interacting models.
We propose to overcome the current limitations by combining ideas from quantum control and artificial intelligence (AI) algorithms. We will develop a new theoretical framework for nonadiabatic many-body state control on top of strong periodic drives underlying the optimal manipulation of ordered prethermal states of matter without equilibrium counterparts. Understanding this many-body dynamics will improve cutting-edge manipulation techniques in cold atoms, trapped ions, superconducting circuits, and quantum solids.
We will add reinforcement learning (RL), one of the most promising techniques in AI, to the quantum entanglement control toolbox. Deep RL has the potential to push the state-of-the-art of (dis-)entangling quantum states since it is capable of identifying effective degrees of freedom even when no underlying physical structure is immediately obvious.
Discovering guiding principles of physics for many-body control away from equilibrium has the potential to reveal new connections across quantum dynamics, statistical mechanics, optimal control, and machine learning. The proposed research establishes a missing link on the roadmap for designing future materials and technologies based on nonequilibrium processes in condensed matter, quantum optics, and quantum computing.
Mots‑clés
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thème(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2023-STG
Voir d’autres projets de cet appelRégime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
80539 Munchen
Allemagne