Quantencomputer: Gewissheit aus dem Zufall ziehen
Quantencomputer (hier ein Experiment am Technology Innovation Institute in Abu Dhabi) arbeiten bei sehr niedrigen Temperaturen, um Rauschen und unerwünschte Störungen zu minimieren. Mit einem neu entwickelten mathematischen Werkzeug ist es nun möglich, die Leistung eines Quantencomputers durch zufällige Testdaten zu bewerten und mögliche Fehler zu diagnostizieren.
Quantencomputer werden mit zunehmender Größe und Komplexität undurchschaubar. Mit Methoden der mathematischen Physik ist es nun einem Team gelungen, aus zufälligen Datensequenzen konkrete Zahlen abzuleiten, die als Maßstab für die Leistungsfähigkeit eines Quantencomputersystems dienen können. An der Arbeit mit Quantencomputer, die nun in Nature communications veröffentlicht ist, waren Experten des Helmholtz-Zentrum Berlin, der Freien Universität Berlin, des Qusoft Forschungszentrum Amsterdam, der Universität Kopenhagen sowie des Technology Innovation Institute Abu Dhabi beteiligt.
Mit Quantencomputern lassen sich insbesondere Quantensysteme deutlich effizienter berechnen und zum Beispiel Probleme in der Materialforschung lösen. Je größer und komplexer jedoch Quantencomputer werden, desto weniger lassen sich die Prozesse durchschauen, die zum Ergebnis führen. Um solche Quantenoperationen zu charakterisieren und die Fähigkeiten von Quantencomputern mit der klassischen Rechenleistung bei denselben Aufgaben fair zu vergleichen, werden daher passende Werkzeuge gebraucht. Ein solches Werkzeug mit überraschenden Talenten hat nun ein Team um Prof. Jens Eisert und Ingo Roth entwickelt.
Benchmarking von Quantencomputern
Roth, der aktuell am Technology Innovation Institute in Abu Dhabi eine Gruppe aufbaut, erläutert: „Aus den Ergebnissen zufällig gewählter Experimente können wir mit mathematischen Methoden nun viele verschiedene Zahlen extrahieren, die zeigen, wie nah die Operationen im statistischen Mittel an den gewünschten Operationen sind. Damit kann man aus den gleichen Daten viel mehr lernen als zuvor. Und zwar – das ist das Entscheidende – wächst die benötigte Datenmenge nicht linear sondern nur logarithmisch.“ Dies konnte das Team sogar mathematisch beweisen. Konkret bedeutet das: Um hundertmal so viel zu lernen, werden nur doppelt so viel Daten gebraucht. Eine enorme Verbesserung.
Eisert, der eine gemeinsame Forschungsgruppe zu theoretischer Physik am Helmholtz-Zentrum Berlin und der Freien Universität Berlin leitet, sagt: „Es geht hier um das Benchmarking von Quantencomputern. Wir haben gezeigt, wie man mit randomisierten Daten solche Systeme kalibrieren kann. Das ist eine sehr wichtige Arbeit für die Entwicklung von Quantencomputern.“
- KI-Agenten liefern Ergebnisse – aber denken sie auch wissenschaftlich?Ein Forschungsteam unter gemeinsamer Leitung von Kevin Maik Jablonka vom Helmholtz-Institut für Polymere in Energieanwendungen Jena (HIPOLE Jena) und N. M. Anoop Krishnan vom Indian Institute of Technology Delhi hat mit Corral einen neuen Benchmark für KI-Agenten in der Wissenschaft entwickelt. Der Preprint „AI scientists produce results without reasoning scientifically“ ist auf arXiv erschienen (https://doi.org/10.48550/arXiv.2604.18805). Die Analyse zeigt, dass aktuelle Systeme zwar wissenschaftliche Workflows ausführen und Ergebnisse liefern können; häufig folgen sie dabei aber nicht den Grundprinzipien wissenschaftlicher Prüfung und Schlussfolgerung.
- Magnetfeld während der Synthese des Katalysators verdreifacht AmmoniakausbeuteEin externes Magnetfeld während der Synthese von CoFe₂O₄-Dünnschichten verdreifacht beim Einsatz in der Elektrokatalyse die Ammoniakausbeute. Das Magnetfeld verändert die Oberflächenzustände der Spinell-Oxid-Dünnschichten, so dass die katalytisch aktiven Zentren stärker exponiert sind. Im Fachjournal 'Advanced Functional Materials' zeigt ein Team um Marcel Risch, HZB, und Sanjay Mathur, Universität Köln, eine skalierbare Strategie, um Elektrokatalysatoren der nächsten Generation für effiziente und nachhaltige chemische Umwandlungen zu entwickeln.
- Materialchemie gestaltet die Zukunft der KatalyseDie synthetische Materialchemie der Zukunft kann als Werkzeug dienen, um smarte und adaptive Elektrokatalysatoren zu entwickeln. Das Forschungsfeld entwickelt sich aktuell rasant, mit In-situ-Analytik, datengestützten Entdeckungen und autonomer Robotik. Diese neuen Ansätze könnten die Entdeckung langlebiger und effizienter Katalysatoren für die zukünftige Energieumwandlung und die Dekarbonisierung der chemischen Industrie beschleunigen. Einen Überblick bietet nun ein Beitrag aus dem Team des Katalyse-Experten Dr. Prashanth Menezes im renommierten Fachjournal Angewandte Chemie.