Forschung
Die Fortschritte bei der Entwicklung optischer und hybrider Systeme ermöglichen es uns, immer komplexere physikalische Systeme zu realisieren. Es ist daher eine spannende Zeit für theoretische Physiker*innen, gekoppelte Multimodensysteme zu entwickeln, die für die Quantenwissenschaft und technologische Anwendungen nutzbar gemacht werden können. In dieser neuen Max-Planck-Forschungsgruppe erforschen wir zwei Richtungen, die von diesen Fortschritten angetrieben werden.
Topologie in angetriebenen-dissipativen Quantensystemen
Topologie ist ein mächtiges Prinzip für das Verständnis vieler physikalisch vielfältiger komplexer Systeme und ist ein wichtiges Forschungsthema in der Physik der kondensierten Materie. In jüngster Zeit wurde ein anderer Begriff der Topologie in Systemen mit Verstärkung und Dissipation untersucht, wodurch das Gebiet der nicht-Hermiteschen Topologie entstand. Diese kann zu einer Vielzahl von Phänomenen führen, die keine Hermiteschen Entsprechungen haben. Insbesondere haben wir gezeigt, dass eine nicht-triviale nicht-Hermitesche Topologie eins-zu-eins mit dem Phänomen der gerichteten Verstärkung korrespondiert, d. h. Signale werden in einer Richtung verstärkt, in der anderen jedoch blockiert oder abgeschwächt. Eine solche Unidirektionalität ist für Anwendungen der Quanteninformationsverarbeitung sehr begehrt. Wir haben kürzlich mit der Gruppe von Ewold Verhagen am AMOLF in Amsterdam zusammengearbeitet und topologische Verstärkung in einem optomechanischen Experiment nachgewiesen. Darüber hinaus ist die nicht-Hermitsche Topologie eine Ressource für die Sensoren. Die Gruppe erforscht weiterhin, wie die einzigartigen Eigenschaften nicht-Hermitescher, topologischer Systeme für technologische Anwendungen genutzt werden können, z. B. für die Signalweiterleitung, Nichtreziprozität und gerichtete Verstärkung, Sensoren sowie die Erzeugung mehrteiliger Verschränkung.
Weitere Informationen:
C. C. Wanjura, M. Brunelli, A. Nunnenkamp. Topological framework for directional amplification in driven-dissipative cavity arrays. Nature Communications 11, 3149 (2020).
C. C. Wanjura, M. Brunelli, A. Nunnenkamp. Correspondence between non-Hermitian topology and directional amplification in the presence of disorder. Phys. Rev. Lett. 127, 213601 (2021).
M. Brunelli, C. C. Wanjura, A. Nunnenkamp. Restoration of the non-Hermitian bulk-boundary correspondence via topological amplification. SciPost Phys. 15, 173 (2023).
C. C. Wanjura, J. J. Slim, J. del Pino, M. Brunelli, E. Verhagen, A. Nunnenkamp. Quadrature nonreciprocity in bosonic networks without breaking time-reversal symmetry. Nature Physics 19, 1429–1436 (2023).
J. J. Slim, C. C. Wanjura, M. Brunelli, J. del Pino, A. Nunnenkamp, E. Verhagen. Optomechanical realization of the bosonic Kitaev chain. Nature 627, 767–771 (2024).
Lernen Sie mehr über nicht-Hermitesche Physik in dieser Online Seminar-Reihe.
Neuromorphes Rechnen
Angesichts der exponentiell wachsenden Größe digitaler neuronaler Netze und des damit verbundenen Energieverbrauchs von Anwendungen des maschinellen Lernens besteht ein Bedarf an alternativen Hardwarekonzepten. Als Antwort auf diese Nachfrage zielt das neuromorphe Rechnen darauf ab, unsere digitalen neuronalen Netze durch physikalische Systeme zu ersetzen. Optische oder photonische Systeme können so konstruiert werden, dass sie die gewünschten Aufgaben des maschinellen Lernens erfüllen, und sind eine vielversprechende Plattform für neuromorphes Rechnen, da sie hohe Rechengeschwindigkeiten bei geringem Energieverbrauch bieten. Allerdings ist die Realisierung der erforderlichen nichtlinearen Berechnungen eine Herausforderung. Wir haben einen wichtigen Schritt zur Überwindung dieser Herausforderung gemacht, indem wir ein neues Prinzip für die Durchführung nichtlinearer Berechnungen mit rein linearer Streuung entwickelt haben (siehe unser Video unten).
Dieser Ansatz kann in praktisch jedem linearen System mit Zugang zu einer ausreichenden Anzahl von einstellbaren Parametern implementiert werden, insbesondere in bestehenden skalierbaren Plattformen auf dem neuesten Stand der Technik wie Optik, Mikrowellen- und elektrische Schaltungen sowie integrierte Photonik. Ein weiterer sehr wichtiger Aspekt ist das physische Training, nämlich der physische Zugang zu Gradienten. Es hat sich gezeigt, dass das In-Silico-Training, d. h. das Training in der Simulation, im Allgemeinen nicht gut auf das Experiment übertragbar ist, da selbst kleine Diskrepanzen zwischen Modell und Realität zu einer verhängnisvollen Fehlerakkumulation beim Training führen können. Daher entwickeln wir neue Trainingsansätzen für neuromorphe Systeme.
