Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Beyond-classical Machine learning and AI for Quantum Physics

Obiettivo

A primary challenge in quantum computing (QC) is finding its ideal application, i.e. an essential problem with the largest advantage of quantum over classical computing. To resolve it, I propose to focus on the notoriously complex area of quantum many-body systems. This project will characterise which quantum many-body problems, in various physics domains, allow for significant quantum advantages even over any future machine learning, data-driven methods. By exploiting my pioneering research in this area, I will also develop new quantum machine learning (QML) methods to solve them better than classically possible, using a two-stage approach.

In the first stage, we will develop the project's theoretical foundations. My recent works on quantum-over-classical learning advantages provide the starting points for the development of new mathematical machinery which facilitates the proving of quantum advantages in selected many-body settings. In parallel,
building on circuit-decomposition methods I recently developed, we will elucidate the role of quantum phenomena in QML in order to design new QML methods which can be better tuned to quantum many-body settings.

In the second stage, we will identify suitable concrete quantum many-body problems with substantial real-world interest, apply the newly designed high-performing quantum learners, and formally prove learning advantages using the developed theoretical machinery.

The positive results of the project will resolve some of the main open problems in QML and will have a major impact on both QC theory and aspects of foundations and applications of QML. In our search for the best application, we will consider many-body problems from diverse areas of physics: condensed matter, high-energy, and quantum control. The project will therefore also establish new bridges between quantum many-body physics, machine learning, and quantum computing.

Parole chiave

Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).

Programma(i)

Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.

Argomento(i)

Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.

Meccanismo di finanziamento

Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.

(si apre in una nuova finestra) ERC-2023-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

UNIVERSITEIT LEIDEN
Contributo netto dell'UE

Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.

€ 1 995 289,00
Costo totale

I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.

€ 1 995 289,00

Beneficiari (1)

Il mio fascicolo 0 0