Viele Anwendungen in der Quanteninformationstechnologie erfordern zuverlässige Quellen für Quantenlicht. Das QuantERA-Projekt EQUAISE ist im Bereich der Applied Quantum Science (AQS) angesiedelt und hat das Ziel, eine industriell skalierbare Plattform für Einzelphotonenquellen auf Basis von spannungsoptimierten Quantemitteren aus zweidimensionalen Halbleitern zu entwickeln.

Das Projektkonsortium umfasst Partner aus Italien, Polen, Spanien und Deutschland. Weitere Informationen sind auf der europäischen QuantERA-Webseite für EQUAISE verfügbar.

Quanten-Reservoir-Computing (QRC) ist ein neuartiges Rechenkonzept an der Schnittstelle von Quantencomputing und künstlichen neuronalen Netzwerken. Im Gegensatz zum gatterbasierten Quantencomputing lockert der Reservoir-Ansatz die strengen Anforderungen an die vollständige Kontrolle über das System. Stattdessen wird ein loses Netzwerk aus Quantensystemen mit einer zufälligen Kopplungstopologie trainiert, um Rechen- oder Klassifikationsaufgaben zu lösen.

PhotonicQRC bietet zwei große Vorteile durch die inhärente Quantennatur des Systems: Erstens kann Quanteninput direkt verarbeitet werden, ohne ihn in eine klassische Form übersetzen zu müssen. Zweitens ermöglicht die exponentielle Größe des Hilbertraums die Lösung komplexer Aufgaben mit äußerst kleinen physikalischen Netzwerken.

PhotonicQRC wird von einem deutsch-französischen Konsortium betrieben, das von der DFG und der ANR kofinanziert wird. Das Projekt verbindet unsere Gruppe in Oldenburg mit experimentellen Partnern an der TU Berlin, femto-ST (CNRS) und der ENS in Paris.

Quanten-Maschinelles Lernen (QML) gewinnt zunehmend an Bedeutung, insbesondere aufgrund seiner Anwendbarkeit auf NISQ-Technologien. In diesem Projekt untersuchen wir das Potenzial von QML-Algorithmen, die auf verfügbarer Quantencomputing-Hardware ausgeführt werden können, und vergleichen ihre Möglichkeiten und Leistungsfähigkeit mit maschinellen Lernmethoden auf Basis quanten-künstlicher neuronaler Netzwerke.

Das Projekt wird im Rahmen des Quantum Fellowship Programme von der DLR Quantum Computing Initiative gefördert und erfolgt in Zusammenarbeit mit Prof. Dr. Meike List vom DLR-Institut für Satellitengeodäsie und Inertialsensorik in Bremen.

Im Rahmen des Schwerpunktprogramms SPP2244 „2dMP“ der DFG untersuchen wir atomar dünne Halbleiter, die mit einem bestimmten Verdrehwinkel übereinandergestapelt werden. Dabei können sich Interlayer-Exzitonen bilden – optisch aktive, zusammengesetzte Teilchen, die sich zwischen den Schichten der Heterostruktur verteilen. Ihre elektronischen und optischen Eigenschaften lassen sich durch die Wahl der Materialkombination gezielt beeinflussen. Gleichzeitig erzeugt der Verdrehwinkel eine überlagerte Potenziallandschaft, die Analogien zur Hubbard-Physik von Gittermodellen ermöglicht.

Zusammen mit unseren experimentellen Partnern an der Universität Oldenburg und der TU Berlin erforschen wir die einstellbaren optischen Eigenschaften von Moiré-Heterostrukturen in Mikroresonatoren, um Quantenphasenübergänge, Exziton-Polaritonkondensation und Fermionisierung bosonischer Quasiteilchen auf einer hochgradig steuerbaren Halbleiterplattform zu untersuchen.

Das bundesweit geförderte Quantenrepeater.Link (QR.N) Netzwerk des BMBF verfolgt das Ziel, einen Quantenrepeater-Prototyp zu realisieren – eine Schlüsseltechnologie für zukünftige Quantennetzwerke, wie das Quanteninternet.

Unsere Gruppe fungiert als Schnittstelle zwischen der Quanteninformationstheorie und der Entwicklung von Quantenrepeater-Protokollen auf der einen Seite und der experimentellen Halbleiter-Hardwareplattform auf der anderen Seite. Wir entwickeln Methoden zur Simulation der Implementierung von Quantenrepeater-Protokollen, sowohl mit konventionell verschränkten Zuständen als auch mit mehrteilig verschränkten photonenbasierten Clusterzuständen.

Quantum Natural Language Processing (QNLP) leverages the properties of quantum systems to develop models for the processing of human natural languages.

Despite the rapid and powerful rise of intelligent natural language processing (NLP) applications, such as translators, text generators, etc, the methods used in these applications still face challenges in fully capturing the complexity of natural languages and reaching human-level capabilities, such as the diverse ways humans understand and use language. They still face the inability to understand complex linguistic contexts and perform difficult linguistic tasks (For text generation, these limitations are temporarily addressed by a technique known as prompt engineering, but it is not highly efficient and is not considered a long-term solution). Another issue with intelligent text processing systems is time complexity, as these models are trained on massive text corpora, making the process highly time-consuming and computationally expensive.
 

Our project on QNLP aims at developing, implementing, and benchmarking quantum models to address the aforementioned issues. By harnessing quantum superposition and entanglement, these models could be more innovative and effective for intelligent applications in natural language processing, potentially outperforming classical methods in understanding context and reducing computational overhead. The project is funded by the DAAD (German Academic Exchange Service).