– Kärnan i projektet är att skapa en digital tvilling av en supraledande kvantprocessor, alltså en virtuell modell som lär sig hur den verkliga processorn fungerar, säger Giovanna Tancredi som leder ett av de två forskningsprojekt inom kvant på Chalmers som mottar Wallenbergstiftelsernas nylanserade AI-stöd.
Sammanlagt elva forskningsprojekt har valts ut i den första omgången av Knut och Alice Wallenberg AI Consultancy Grant, en ny satsning som ska hjälpa forskare att snabbt integrera artificiell intelligens i sina projekt. Genom stödet får forskargrupperna tillgång till AI-expertis för att utveckla nya arbetssätt och påskynda vägen mot vetenskapliga genombrott.
Det är mot bakgrund av den snabba utvecklingen inom artificiell intelligens som Knut och Alice Wallenbergs Stiftelse lanserar den nya anslagsformen. I stället för att dela ut forskningsmedel får forskargrupperna tillgång till specialiserad AI-kompetens genom bolaget AI4S, där experter med både AI- och forskningsbakgrund arbetar tillsammans med projekten.
Bland de elva forskargrupper som tilldelats upp emot 700 timmar AI-stöd återfinns två projekt från Chalmers, båda med hemvist på institutionen för mikroteknologi och nanovetenskap.
Det ena leds av Giovanna Tancredi, senior forskare i kvantteknologi och ledare för kvantdatorbygget som sker inom ramarna för Wallenberg Centre for Quantum Technology, WACQT. I projektet Quantum gate optimization with digital twins of superconducting qubits vill hon och medsökande forskningsspecialisten Tangyou Huang använda AI-stödet till att skapa en digital tvilling, en virtuell modell som lär sig hur en verklig kvantprocessor fungerar. Modellen ska kunna användas för att förutsäga, analysera och optimera processorns prestanda.
– I en ideal kvantprocessor skulle styrningen fungera helt felfritt. I dagens verkliga system uppstår däremot fel på grund av bland annat brus, oönskade växelverkningar mellan kvantbitar, förändringar i hårdvarans egenskaper och brister i styrsignalerna. Ju större kvantprocessorerna blir, desto svårare blir det att förstå dessa fel. Syftet med projektet är att utveckla en ny metod för att förbättra kvantprocessorer genom att kombinera artificiell intelligens med fysikbaserad modellering, säger Giovanna Tancredi.
Det andra projektet, AI-assisted calibration of superconducting quantum processors, leds av Göran Johansson, professor i tillämpad kvantfysik och föreståndare för WACQT på Chalmers. Projektansökan gjordes av Michele Faucci Gianelli, som leder arbetet med autokalibrering inom Chalmers kvantdatorsatsning.
– Det här ger Michele Faucci Gianelli och autokalibreringsteamet möjlighet att dra nytta av den senaste AI-tekniken för att effektivisera kalibreringen av vår 25 kvantbitar stora kvantdator, vilket är ett viktigt steg på vägen mot kvantdatorer med 100 kvantbitar, säger Göran Johansson.
AI har på kort tid blivit ett allt viktigare verktyg inom forskningen. Tekniken kan analysera enorma mängder data, identifiera mönster i komplexa system och hjälpa forskare att utveckla nya modeller och hypoteser. De elva projekt som valts ut har bedömts utifrån vetenskaplig excellens, potentialen att förstärkas med AI, tillgång till relevanta data och forskargruppernas engagemang.
– Vi är mitt i en fundamental förändring av hur forskning utförs. AI skapar nya oanade möjligheter, men även utmaningar för akademien. Inom många vetenskapliga områden öppnar AI dörren till helt nya arbetssätt, men det krävs tillgång till avancerad kunskap och praktisk hjälp för att svenska forskare ska kunna dra full nytta av AI och hantera de utmaningar som finns, sa Anders Ynnerman, vice verkställande ledamot i Knut och Alice Wallenbergs Stiftelse, i samband med att de beviljade anslagen offentliggjordes.
Följande projekt och forskargrupper har tilldelats KAW:s AI-stöd:
• AI-assisted assignment from super-resolution NMR spectra, Vladislav Orekhov, Göteborg Universitet
• AI-assisted calibration of superconducting quantum processors, Göran Johansson, Chalmers Tekniska högskola
• AI-based feature learning from 5PSeq for AMR phenotyping, Vicent Pelechano, Karolinska Institutet
• AI-driven discovery of spatial host microbiota niches controlling mucosal healing in IBD, Eduardo Villablanca, Karolinska Institutet
• Domain-adaptive machine learning to overcome chemical domain shift between DNA-encoded libraries and billion-scale commercial chemical space, Jens Carlsson, Uppsala Universitet
• Machine Learning Driven Modelling of Bio- and Conducting Polymers, Igor Zozoulenko, Linköping Universitet
• Mining synthetic DNA selection data for hidden binders or targeting agents, Erik Benson, Karolinska Institutet
• Optimizing epilepsy treatment through population health data, Johan Zelano, Göteborg Universitet
• Profit versus nature? Disentangling the polarized media discourse on forest management in Sweden, Leona Achtenhagen, Jönköping Universitet
• Quantum Gate Optimization with Digital Twins of Superconducting Qubits, Giovanna Sammarco Tancredi, Chalmers Tekniska högskola
• Spatial AI for Predicting Cell Fate Transitions and Disease Course in Multiple Sclerosis, Gonçalo Castelo-Branco, Karolinska Institutet
- Senior forskare, Kvantteknologi, Mikroteknologi och nanovetenskap
- Professor (N2), Tillämpad kvantfysik, Mikroteknologi och nanovetenskap