Descripción del proyecto
Conversión cuántico-clásica escalable y pionera con sombras mejoradas cuánticamente
En los experimentos cuánticos a gran escala, surge un obstáculo crítico en la interfaz entre los sistemas cuánticos y clásicos, donde la transferencia de información de forma eficiente y a escala es un impedimento importante. Para superarlo, el equipo del proyecto q-shadows, financiado por el Consejo Europeo de Investigación, desarrollará «sombras», innovadores convertidores cuántico-clásicos. Mediante la aleatorización y las lecturas mejoradas cuánticamente, estas sombras traducen eficazmente los datos cuánticos a formatos clásicos, mejorando así la predicción de características y la escalabilidad del sistema. Las sombras, compatibles con el «hardware» cuántico actual, aprovechan efectos cuánticos únicos para la escalabilidad, a la vez que integran protocolos propios para el aprendizaje clásico basado en datos a partir de datos cuánticos. Por último, el equipo del proyecto desarrollará herramientas que garanticen una ejecución fiable del «hardware» cuántico, aunando la teoría con la aplicación. El proyecto q-shadows, dirigido por un experto interdisciplinar, sienta las bases para lograr un procesamiento y aprendizaje de datos cuánticos avanzado y escalable, garantizando el desarrollo futuro de la tecnología cuántica.
Objetivo
Large-scale quantum experiments do not work in isolation. Substantial classical computing power is required to control the experiment and process the results. This necessarily creates information-transmission bottlenecks at the interface between quantum and classical realms. These bottlenecks create scalability issues that prevent us from using existing architectures to the best of their capabilities and may even impair our ability to further scale up system sizes.
In this project, we adopt a unifying framework that takes into account all computing resources (quantum and classical). We develop quantum-to-classical converters to overcome information-transmission bottlenecks. Dubbed shadows, they leverage randomization, as well as quantum-enhanced readout strategies to obtain a succinct classical description of an underlying quantum system that can then be used to efficiently predict many features at once. The shadow paradigm is compatible with near-term quantum hardware and utilizes genuine quantum effects that do not have a classical counterpart. Building on these ideas, we also establish rigorous synergies between quantum experiments and classical machine learning. Shadow learning protocols use shadows to succinctly represent training data obtained from actual quantum experiments. A classical training stage then enables data-driven learning of genuine quantum phenomena. Finally, we develop new tools to ensure reliable execution on current quantum hardware, thus bridging the gap between theory and experiment.
My interdisciplinary skill set combines methods from modern computer science with quantum information and has already led to numerous high-impact contributions (e.g. 1 Nature Physics with more than 350 citations and 2 Science publications). These insights form the basis for this larger project, where we lay the foundation for scalable and practical quantum data processing and learning that can keep up and grow with future improvements in quantum technology.
Palabras clave
Programa(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Régimen de financiación
HORIZON-ERC - HORIZON ERC GrantsInstitución de acogida
4040 Linz
Austria