7955 Arbeiten
Die Quantenphysik erforscht die seltsame und faszinierende Welt der kleinsten Teilchen, wo die klassischen Gesetze der Physik ihre Gültigkeit verlieren. In diesem Bereich geht es um Phänomene wie Verschränkung und Superposition, die nicht nur unser Verständnis des Universums erweitern, sondern auch den Weg für revolutionäre Technologien wie Quantencomputer ebnen.
Auf Gist.Science stellen wir Ihnen die neuesten Erkenntnisse aus diesem dynamischen Feld direkt zur Verfügung. Wir verarbeiten systematisch jeden neuen Preprint aus dem arXiv-Repositorium in der Kategorie Quant-Ph und erstellen dazu sowohl verständliche Zusammenfassungen für ein breites Publikum als auch detaillierte technische Analysen für Fachleute.
Hier finden Sie die aktuellsten Veröffentlichungen, die unser Team gerade für Sie aufbereitet hat.
Diese Arbeit zeigt auf, dass, obwohl quasi-hermitische Quantentheorien mit lokalen Hamiltonoperatoren explizit konstruiert werden können, generische lokale Observablenalgebren im Allgemeinen nicht auf beliebigen Gitterplätzen existieren, wobei die spezifischen Sammlungen von Plätzen, die nicht-triviale Observablen unterstützen, strikt durch das komplexe Potenzial bestimmt werden.
Das Papier berichtet, dass der Quantencomputer Jiuzhang 3.0 einen signifikanten Quantenvorteil erzielte, indem er Gaussian Boson Sampling mit bis zu 255 Photonen-Klick-Ereignissen in 1,27 Mikrosekunden durchführte, eine Aufgabe, die Schätzungen zufolge Milliarden von Jahren für den Supercomputer Frontier unter Verwendung exakter klassischer Algorithmen beanspruchen würde.
Dieses Paper schlägt ShadowNet vor, ein datenzentriertes Quantensystem-Lernparadigma, das klassische Schatten mit neuronalen Netzen vereint, um die Einschränkungen bestehender Methoden zu überwinden und Aufgaben wie die Quantenzustandstomografie und die direkte Treueabschätzung für Systeme mit bis zu 60 Qubits effizient durchzuführen.
Diese Arbeit demonstriert einen bedeutenden Fortschritt in der Quantenvernetzung durch die Integration einzelner T-Zentren mit siliziumbasierten photonischen Kristall-Resonatoren, wodurch eine 6,89-fache Steigerung der Fluoreszenzabfallrate und eine effiziente Photonen-Auskopplungsrate von 73,3 kHz bei der Telekom-Null-Phononen-Linie erreicht wird.
Dieses Paper schlägt den Bi-directional Multi-solution Scalable Grover Search (BMGS) Algorithmus vor, einen neuartigen Ansatz, der eine mehrsegmentale bidirektionale Suchtaktik nutzt, um effizient mehrere Lösungen in einer unstrukturierten Datenbank mit reduzierten Iterationszahlen und optimaler durchschnittlicher Komplexität im Vergleich zu bestehenden Methoden zu finden.
Dieses Papier präsentiert einen FPGA-basierten neuronalen Netzbeschleuniger mit geringer Latenz, der durch die Quantisierung von Netzwerkparametern die Zustände von fünf supraleitenden Qubits in unter 50 Nanosekunden erfolgreich diskriminiert und dadurch eine effiziente Integration in bestehende Quantensteuerungssysteme ermöglicht.
Diese Arbeit identifiziert die Einschränkungen traditioneller auf Tangle basierender Verschränkungsmaße in großen multipartiten Systemen und schlägt robuste alternative Metriken vor, einschließlich der Summe der quadrierten One-Tangles und der generalisierten Residuenverschränkung, zusammen mit einer starken Monogamie-Relation, um die Verschränkungsverteilung in hochdimensionalen Quantenzuständen besser zu quantifizieren.
Diese Arbeit präsentiert eine End-to-End-Ressourcenschätzung mittels mehrerer unabhängiger Quantencomputing-Toolkits, um die Durchführbarkeit des Einsatzes fehlertoleranter Quantenalgorithmen, spezifisch der Quantenphasenschätzung, zur Bestimmung der Grundzustandsenergie von zyklischem Ozon innerhalb von Fullerene-Nanokäfigen für potenzielle Raketentreibstoffanwendungen zu bewerten.
Diese Arbeit untersucht die informationstheoretische Kapazität von Sachdev-Ye-Kitaev (SYK)-Modellen als approximative Quantenfehlerkorrekturcodes unter Dekohärenz und zeigt auf, dass rauschbedingte Symmetrien der Fermionenparität einen Übergang von starker zu schwacher spontaner Symmetriebrechung induzieren, welcher die Durchgängigkeit von Wurmlöchern verschlechtert und eine kritische Schwelle für die Leistungsfähigkeit des Codes markiert.
Dieses Paper schlägt ein hybrides Quanten-Rekurrentes Neuronales Netz (HQRNN) vor, das Quantum Depth-Infused (QLSTM)-Schichten für die Vorhersage der Restlebensdauer von Turbofantriebwerken integriert, wobei eine 5-prozentige Verbesserung der Fehlermetriken gegenüber klassischen Modellen mit identischen Parametern nachgewiesen wird, während gleichzeitig angeregt wird, dass solche quantenoptimierten Module am effektivsten sind, wenn sie in zusammengesetzte Prognose-Pipelines integriert werden, anstatt als eigenständige Prädiktoren verwendet zu werden.