9083 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.
Das Papier schlägt vor, dass partielle Quantenverschränkung ein Netzwerk von Teilchen mit weitreichenden Verbindungen erzeugt, das ausreicht, um eine Small-World-Struktur im gesamten Universum auf allen Skalen zu etablieren, mit Ausnahme jener von Sternen und Planeten.
Diese Arbeit erweitert das integrabilitätserhaltende Renormierungsgruppen-Protokoll (RG-Protokoll) auf nicht-hermitesche Quantensysteme mit zeitabhängigen Wechselwirkungen und zeigt auf, dass die Menge dieser integrablen Modelle breiter ist als die Standard-RG-Trajektorien, da sie auch spezifische zeitabhängige Formen für RG-invariante Kopplungen umfasst.
Diese Arbeit vergleicht die sequentielle Bayes-Inferenz, die Levenberg-Marquardt-Anpassung und ein Feedforward-Neuronales-Netzwerk zur Klassifizierung von Einzelphotonenemittern aus spärlichen Autokorrelationsdaten und zeigt auf, dass, obwohl keine einzelne Methode alle Metriken dominiert, physikbasierte und datengesteuerte Ansätze komplementäre Werkzeuge sind, die unterschiedliche Vorteile in Bezug auf Konvergenzgeschwindigkeit, Interpretierbarkeit und Robustheit unter variierenden Photonenstatistiken bieten.
Dieses Paper stellt ein physikgestütztes hybrides Machine-Learning-Framework vor, das die Zeeman-Aufspaltung in die Lernpipeline einbettet, um Simulation-to-Reality-Diskrepanzen sowie Datenknappheit zu überwinden und eine 372-fache Verbesserung der Präzision bei der Kalibrierung von NV-Diamant-Magnetometern für eine robuste, selbstkalibrierende Vektormagnetometrie zu erreichen.
Diese Arbeit stellt fest, dass ein Erhaltungssatz der ganzzahligen Phasenladung in gequetschten Lichtreservoirs deren rechnerische Ausdrucksfähigkeit und Auslesekosten grundlegend begrenzt, wodurch gezeigt wird, dass Detektorbeschränkungen statt optischer Nichtlinearität diktieren, welche Funktionale effizient berechnet werden können.
Diese Arbeit verwendet einen nicht-perturbativen Rahmen für offene Quantensysteme, um zu zeigen, dass sowohl rein gravitative als auch nullelektrische impulsartige ebene Wellen die Anregungstransitionen eines Unruh-DeWitt-Detektors unterdrücken, der als harmonischer Oszillator modelliert ist, welcher mit einem masselosen skalaren Feld interagiert.
Dieses Paper führt ein numerisch robustes, iteratives projektionsbasiertes Embedding-Framework ein, das mit dem Variational Quantum Eigensolver (VQE) kombiniert wird und eine selbstkonsistente gegenseitige Verfeinerung zwischen einem High-Level-Quantensubsystem und seiner Mean-Field-Umgebung erreicht, wodurch präzise Potenzialenergieflächen für multiskalige Systeme auf ressourcenbeschränkter Quantenhardware erzeugt werden.
Dieses Paper stellt TT-Net vor, ein quanteninspiriertes bedingtes GAN, das die standardmäßige per-Kanal-SVD-Denoising-Methode durch eine Two-Cut-Tensor-Train-Zerlegung ersetzt, um kanalübergreifende Informationen zu nutzen, wodurch eine überlegene Bildentstörung über verschiedene Rauschtypen hinweg erreicht und gleichzeitig neue Erkenntnisse über die Dynamik des adversen Trainings gewonnen werden.
Diese Arbeit evaluiert drei „embarrassingly parallel“ Strategien für den Variational Quantum Eigensolver auf NISQ-Geräten unter Verwendung der CUNQA-Emulationsplattform und analysiert deren Kompromisse zwischen Beschleunigung und Genauigkeit in Gegenwart heterogener Rauschanteile.
Dieses Paper schlägt ein ressourceneffizientes hybrides Quanten-Klassik-Framework für das molekulare Docking vor und validiert es experimentell, indem es das Problem als eine Aufgabe zur Suche nach der maximal gewichteten Clique in einem Vertex-gewichteten Graphen neu formuliert, eine Variationale Full-Basis-Kodierungsstrategie mit einem bewährten Pure-Product-State-Optimierer nutzt und die Machbarkeit auf einem IBM-Quantencomputer demonstriert, um die struktur-basierte Wirkstoffforschung voranzutreiben.