Maschinelles Lernen

Wenn viele kleinste Bausteine der Materie – die sogenannten Quantenteilchen – zusammen kommen, können neue, oft unerwartete Phänomene entstehen. Dazu gehören zum Beispiel Magnetismus oder Supraleitung, d.h. verlustfreie Leitung von Strom. Das macht solche Quantenvielteilchensysteme spannend, aber auch oft schwierig vorherzusagen oder zu erklären. Der Grund ist, dass das Ganze in der Quantenwelt oft mehr ist als die Summe seiner Teile: Das Verhalten der gesamten Gruppe – der gemeinsame Quantenzustand – lässt sich im Allgemeinen nicht einfach aus den Zuständen der einzelnen Teilchen zusammensetzen. Für eine vollständige Beschreibung muss man stattdessen alle möglichen Kombinationen der Teilchen betrachten. Die Anzahl dieser Kombinationen wächst exponentiell mit der Teilchenzahl und genau das ist es, was man unter dem „Big-Data“-Problem versteht.

In diesem Vortrag zeige ich, wie moderne Methoden des maschinellen Lernens helfen können, dieses „Big-Data“-Problem der Quantenwelt zu bewältigen, zum Beispiel indem wir den Quantenzustand mithilfe einer speziellen, lernenden Künstlichen Intelligenz darstellen. Diese Methode erlaubt uns, realistischere Modelle für neuartige Materialien zu untersuchen, die bei hohen Temperaturen (-135°C / 138K) supraleitend werden. Somit machen wir einen wichtigen Schritt in der Grundlagenforschung zum Ursprung der Hochtemperatur-Supraleitung und kommen der verlustfreien Stromleitung ein kleines Stück näher.

Prof. Dr. Annabelle Bohrdt ist theoretische Physikerin und arbeitet daran, durch die Entwicklung neuer Analysemethoden ein mikroskopisches Verständnis stark korrelierter Quantensysteme zu gewinnen. In ihrer Forschung verbindet sie numerische Methoden, intuitive physikalische Bilder, enge Kollaborationen mit Quantensimulations-Experimenten sowie Techniken des maschinellen Lernens.

In Zusammenarbeit mit der Ludwig-Maximilians-Universität München, Exzellenzcluster MCQST