3601 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.
Die Arbeit schlägt eine Formulierung der spontanen Entanglement-Hypothese vor, die auf dem Prinzip der maximalen Entropie und der Methode der Lagrange-Multiplikatoren basiert, um die Verletzung des Kausalitätsprinzips in Quantensystemen endlicher Dimension zu vermeiden.
Die Studie zeigt, dass Metadaten von zerschnittenen Quantenschaltkreisen, die von Cloud-Anbietern sichtbar sind, als praktische Seitenkanäle dienen, um sensible Informationen wie Algorithmenidentität und Hamilton-Struktur mit hoher Genauigkeit abzuleiten, was die Notwendigkeit aufzeigt, Metadaten-Leckagen als primäres Sicherheitsrisiko in Quanten-Cloud-Systemen zu behandeln.
Die Arbeit stellt Adaptive H-EFT-VA vor, einen proviert sicheren Ansatz, der das Trainierbarkeits-Ausdrucksvermögen-Problem bei Variationalen Quantenalgorithmen durch eine hierarchische EFT-UV-Abschneidung überwindet und dabei Gradientenvarianz garantiert sowie statische Methoden bei der Identifizierung von Grundzuständen übertrifft.
Diese Arbeit untersucht, wie die Geometrie stark gequetschter Quantenzustände die Transmission durch einen Sattelpunkt in der Reaktionsdynamik unterdrückt, und liefert damit einen konkreten Rahmen, der symplektische Breitenmaße mit der quantenmechanischen Reaktivität verknüpft.
Die Autoren leiten eine informations-theoretische Obergrenze für den Wirkungsgrad thermischer Motoren her, die die Carnot-Grenze überwinden kann, durch statistische Korrelationen bestimmt wird und selbst in endlichen Zyklen sowohl für klassische als auch quantenmechanische Systeme erreicht werden kann.
Diese Arbeit entwickelt einen symplektischen Rahmen für das Quantencomputing, der die geometrische Kompatibilität zwischen unitärer Quantenevolution und klassischer Hamiltonscher Dynamik nutzt, um durch eine exakte Korrespondenz auf Kahler-Mannigfaltigkeiten und die Kodierung integrabler Systeme eine exponentielle Kompression des Speicherbedarfs sowie potenzielle Geschwindigkeitsvorteile bei der Simulation klassischer Hamiltonscher Systeme zu erreichen.
Diese Studie stellt neuartige stochastische neuronale Netzwerke auf Basis von Einzel-Elektronen-Tunneln und Einzel-Photonen-Quellen vor und zeigt, dass diese physikalischen Systeme trotz hoher Rauschpegel und Unsicherheiten durch geeignete Trainingsstrategien eine Testgenauigkeit von über 97 % bei der MNIST-Bilderkennung erreichen.
Die vorgestellte Arbeit schlägt zwei effiziente Schemata zur Fusion von hyperverschränkten W-Zuständen vor, die ausschließlich mit linearen optischen Elementen und Kreuz-Kerr-Nichtlinearitäten arbeiten, um große hyperverschränkte W-Zustände ohne Hilfsphotonen oder bedingte Quantengatter zu erzeugen.
Diese Arbeit untersucht, wie man Zählabfragen auf quantenkodierten Datensätzen mit Differential Privacy beantwortet, indem sie zeigt, dass dies auf die Messung von Amplituden reduziert werden kann, und analysiert dabei zwei Algorithmen zur Amplitudenmessung, um sowohl verbesserte Privatsphärengarantien als auch einen differenziell privaten Ansatz für die Amplitudenschätzung zu etablieren.
Diese Arbeit stellt einen formalen Zusammenhang zwischen Born-Regel-Messstatistiken in variationalen Quantenschaltkreisen und der bayesschen Unsicherheitsherleitung her und zeigt, dass physikbeschränkte Quantenmodelle im Vergleich zu klassischen Methoden wie MC Dropout und Deep Ensembles eine präzisere, schmalere und informationsreichere Unsicherheitsquantifizierung für physikalische Lernsysteme ermöglichen.