Descrizione del progetto
Pionieristica conversione scalabile da quantistico a classico con ombre potenziate quantisticamente
Negli esperimenti quantistici su larga scala, un collo di bottiglia critico si presenta all’interfaccia tra sistemi quantistici e classici, dove il trasferimento di informazioni in modo efficiente e su scala rappresenta un ostacolo significativo. Per superare questo problema, il progetto q-shadows, finanziato dal CER, svilupperà delle «ombre», ossia convertitori innovativi da quantistico a classico. Utilizzando la randomizzazione e le letture potenziate dai quanti, queste ombre traducono in modo efficiente i dati quantistici in formati classici, migliorando la previsione e la scalabilità delle caratteristiche del sistema. Compatibili con l’attuale hardware quantistico, le ombre sfruttano effetti quantistici unici per la scalabilità, integrando al contempo protocolli proprietari per l’apprendimento classico guidato dai dati quantistici. Infine, il progetto svilupperà strumenti che garantiscano un’esecuzione hardware quantistica affidabile, coniugando teoria e applicazione. Guidato da un esperto interdisciplinare, q-shadows getta le basi per l’elaborazione e l’apprendimento dei dati quantistici avanzati e scalabili, garantendo il futuro dello sviluppo della tecnologia quantistica.
Obiettivo
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.
Parole chiave
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Invito a presentare proposte
(si apre in una nuova finestra) ERC-2023-STG
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-ERC -Istituzione ospitante
4040 Linz
Austria