Die Arbeitsgruppe von Prof. Dr. Jens Eisert hat im letzten Jahrzehnt ein breites Netzwerk aus wissenschaftlichen Kooperationen mit weltweit führenden Forschenden in den Themengebieten Quanteninformation und -technologie aufgebaut. Aus den vielfältigen Kooperationsprojekten heraus entstehen regelmäßig Publikationen, die in den Leitmedien der globalen Wissenschaft publiziert werden.

Publikationen in Nature Communications Physics

Measuring out quasi-local integrals of motion from entanglement (2024)

Bohan Lu, Christian Bertoni, Steven J. Thomson & Jens Eisert

DOI: 10.1038/s42005-023-01478-5

Die Publikation stellt die Ergebnisse einer Arbeit am Dahlem Center für Komplexe Quantensysteme vor. Die Quantenphysiker schlagen eine praktikable Methode vor, um lokale Bewegungsintegrale – basierend auf ihrem Beitrag zum langsamen Wachstum der Negativität über längere Zeiträume nach einer plötzlichen Veränderung von einem beliebigen Anfangszustand – zu messen. Das vorgeschlagene Modell ist experimentell umsetzbar und eröffnet den Weg für die Anwendung von räumlich aufgelösten Verschränkungsuntersuchungen auf Quantensimulationen jenseits der Vielteilchenlokalisierung.

Publikation lesen

Publikationen in Nature Communications

Towards provably efficient quantum algorithms for large-scale machine-learning models (2024)

Junyu Liu, Jin-Peng Liu, Ziyu Ye, Yunfei Wang, Yuri Alexeev, Jens Eisert & Liang Jiang

DOI: 10.1038/s41467-023-43957-x

Zusammen mit den Forschenden der University of Chicago, University of California und Brandeis University wurde eine Arbeit über eine fehlertolerante Quantenverarbeitung publiziert: Die Studie schlägt einen effizienten Algorithmus für komplexe Modelle des maschinellen Lernens vor. Der Ansatz könnte helfen, zeitaufwendige Trainingsprozesse und hohe Kosten des Energieverbrauchs, die maschinelles Lernen mit sich bringt, zu reduzieren.

Publikation lesen

News aus dem Cluster Math+

Understanding quantum machine learning also requires rethinking generalization (2024)

Elies Gil-Fuster, Jens Eisert, Carlos Bravo-Prieto

DOI: 10.1038/s41467-024-45882-z

Generalisierung ist ein wichtiger Begriff im Kontext des maschinellen Lernens und beschreibt das Übertragen von gelerntem Wissen auf unbekannte Daten. Im Lichte von Fortschritten im quantenunterstütztem Maschinenlernen ergibt sich auch die Frage, wie Generalisierung hier formuliert werden kann. Die vorliegende Arbeit zeigt, dass man hier radikal neu denken muss und die bekannten Schranken für relevante Systemgrößen nicht zutreffen.

Publikation lesen

Pressemitteilung der Freien Universität Berlin

Publikation in Science Advances

An in-principle super-polynomial quantum advantage for approximating combinatorial optimization problems via computational learning theory (2024)

Niklas Pirnay, Vincent Ulitzsch, Frederik Wilde, Jens Eisert, Jean-Pierre Seifer

DOI: 10.1126/sciadv.adj5170

In einer gemeinsamen Arbeit mit den Nachwuchsforschenden der Technischen Universität Berlin suchte Frederik Wilde, Promotionsstudent von Professor Eisert, nach einer quantenalgorithmischen Lösung für das kombinatorische Optimierungsproblem.

Das Forschungsteam griff auf die Theorie des rechnergestützten Lernens und kryptografische Begriffe zurück und konnte im Ergebnis demonstrieren, dass Quantencomputer einen prinzipiellen super-polynomellen Vorteil gegenüber klassischen Computern aufweisen. Es konnte gezeigt werden, dass Quantenbauelemente im Prinzip die Fähigkeit haben, kombinatorische Optimierungslösungen zu approximieren, die über die Reichweite klassischer effizienter Algorithmen hinausgehen.

Publikation lesen

Pressemitteilung des HZB

Arbeiten in Nature Physics im Druck

Zwei weitere Arbeiten über Quantenfehlermitigation und deren Grenzen und die klassische Simulation von Festkörpersystemen im Nichtgleichgewicht – eine der zentralen Herausforderungen der Physik der kondensierten Materie – sind im Druck in Nature Physics.