Opis projektu
Połączenie sztucznej inteligencji i fizyki kwantowej
Fizycy nieustannie starają się budować coraz lepsze komputery kwantowe, co stanowi niezwykle trudne wyzwanie. Powstaje pytanie, czy sztuczna inteligencja jest w stanie wspomóc proces rozwiązywania niektórych nierozwiązanych problemów eksperymentalnych. Uczestnicy finansowanego przez Unię Europejską projektu ConQuER zamierzają rozwinąć integrację najnowocześniejszych sztucznych inteligencji i technik uczenia maszynowego z doświadczeniami w dziedzinie fizyki kwantowej. Możliwości i wydajność metod uczenia maszynowego zostanie wykorzystana w celu wyciągania kluczowych informacji z olbrzymich zbiorów danych fizycznych, co pozwoli na wyjście poza tradycyjne metodologie. W ramach projektu powstaną i zostaną wdrożone metodologie uczenia przez wzmocnienie w celu kontrolowania, stabilizowania i dostrajania eksperymentalnej konstrukcji wykorzystującej wiele kubitów spinowych w Instytucie Nielsa Bohra w Kopenhadze. Automatyczne dostrajanie urządzenia pozwoli na zaoszczędzenie czasu, które może zostać wykorzystane do pracy nad doświadczeniami.
Cel
This proposal aims to advance the integration of state-of-the-art machine learning and artificial intelligence (AI) with quantum physics experiments. The abundance of physics data coming from experiments and simulations of quantum systems allows us to use the power and efficiency of machine learning methods to extract information from this data in a way that goes beyond traditional methods. Based on this insight, I will design and implement a reinforcement learning (RL) method that can directly control, stabilize (to create a quantum memory) and tune (for device characterization and setup) a multiple-spin-qubit experiment at the Niels Bohr Institute in Copenhagen. The resulting framework and open-source AI software are expected to be useful in any other quantum experiment for which tuning is a major component, and is expected to generate a large impact in the community. Automatic device tuning will free up precious time resources that can be invested in significant experimental advances.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczeinformatykaoprogramowanie
- nauki przyrodniczenauki fizycznefizyka kwantowa
- nauki przyrodniczeinformatykasztuczna inteligencjauczenie maszynoweuczenie przez wzmocnienie
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
1165 Kobenhavn
Dania