Forschung
Forschungsthemen der Marquardt-Gruppe: An der Schnittstelle zwischen Nanophysik und Quantenoptik
In unserer Forschung verwenden wir Werkzeuge aus der Theorie der kondensierten Materie und aus der Quantenoptik für eine Vielzahl von Fragestellungen an der Schnittstelle von Nanophysik und Quantenoptik; wir beschäftigen uns an dieser Stelle sowohl mit Quanten- als auch klassischer Dynamik. Bei unserer Herangehensweise versuchen wir oft, die auffälligen Merkmale von experimentell relevanten Situationen zu identifiziern und sie in minimalistische Modelle zu komprimieren. Diese können anschließend mit modernsten theoretischen Werkzeugen bearbeitet werden. Gleichzeitig ist es uns auch wichtig, im direkten Kontakt mit Experimenten zu bleiben, bis hin zur Gestaltung der klassischen elektromagnetischen und akustischen Eigenschaften von spezifischen Strukturen. In den letzten Jahren lag unser Hauptfokus aus der Entwicklung eines theoretischen Unterbaus für ein neues Forschungsgebiet, die Cavity Optomechanics. Zusätzlich entwickeln wir auch neue theoretische Werkzeuge, wie Anwendungen von neuralen Netzwerken (deep learning).
Optomechanik
Dieses Gebiet behandelt die fundamentale Interaktion zwischen Licht und mechanischen Schwingungen. Wir haben einen Großteil des theoretischen Unterbaus dieses Gebiets entwickelt und sind nun dabei, zukünftige optomechanische Geräte zu analysieren. Mögliche Anwendungen sind unter anderen neue Geräte zur Quantenkommunikation, hochsensible Detektoren sowie Experimente zu den Grundlagen der Quantenphysik.
Topologischer Transport von Phononen und Photonen
Wellen können "topologische" Phänomene zeigen, wenn sie sich in einem passend gearteten Medium ausbreiten. Der eindeutigste prototypische Effekt ist die Schaffung von chiralen Randzuständen, die zunächst aus dem Quanten-Hall-Effekt auf Elektronen in einem magnetischen Feld bekannt waren. Dadurch wird der Transport gegen Unordnung stabil. Unsere Gruppe hat den ersten Artikel publiziert, der zeigte, wie topologischer Transport von Phononen im Festkörper durch gezieltes Design hervorgebracht werden kann (siehe unseren Artikel von 2015, welcher die Methoden der Optomechanik verwendet).
Machinelles Lernen (neuronale Netze) in der Physik
Machine learning mit künstlichen neuronalen Netzwerken revolutioniert viele Gebiete der Wissenschaft und Technik. Leistungsstarke, so genannte "deep networks" sind außerordentlich erfolgreich bei Aufgaben wie z. B. der Gesichtserkennung. Eine wachsende Zahl an Forschungsgruppen rund um den Globus haben inzwischen angefangen, sich mit der Anwendung dieser Ideen in der Physik zu beschäftigen. Wir sind Pioniere bei der Anwendung von auf neuronalen Netzwerken basiertem verstärkendem Lernen, "reinforcement learning", auf die Quantenphysik. Hier entwickelt ein Computer von Grund auf nützliche Sequenzen von Quantenaktivitäten. Lesen Sie unseren Artikel zu diesem Thema (in englischer Sprache). Im Moment bringen wir viele weitere verschiedene Anwendungen voran.
Weitere Themen: Quanten-Elektrodynamische Schaltkreise, Qbits, Optomagnonik, Quanten-Vielteilchen-Dynamik im Nichtgleichgewicht, Nichtlineare klassische Feldtheorien
Unsere Gruppe beschäftigt sich weiterhin mit einer Vielzahl von Themen: Quanten-elektrodynamische Schaltkreise in supraleitenden Chips, Qbit-Dynamik und Dekohärenz (einschließlich Machine Learning für Quantenfehlerkorrektur), Cavity Optomagnonik (Koppelung von Magnonen an das Lichtfeld; in Zusammenarbeit mit der Nachwuchsforschungsgruppe von Silvia Viola Kusminskiy) Synchronisierung von gekoppelten Oszillatoren in Gittern, andere Effekte in nichtlinearen Feldtheorien, Quanten-Vielteichendynamik im Nichtgleichgewicht in kalten Atomen, sowie weitere Systeme.
