3703 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 stellt ein auf der Darstellungstheorie von Lie-Gruppen basierendes allgemeines Rahmenwerk vor, das die systematische Konstruktion von dynamischer Entkopplung und Quantenfehlerkorrektur für Qudit-Systeme mittels endlicher Untergruppen von SU(d) ermöglicht und dabei beide Konzepte in einem einheitlichen theoretischen Ansatz vereint.
Diese Arbeit untersucht die nicht-hermitesche Quantenmechanik eines invertierten Dreifachtopfpotenzials im Rahmen der exakten WKB-Analyse, wobei sie durch die Konstruktion von Trans-Reihen und die Untersuchung von Resurgent-Strukturen die PT-Symmetriebrechung, die Existenz von Exceptional Points sowie die Beziehung zwischen Resonanz-, Anti-Resonanz- und PT-symmetrischen Systemen aufklärt.
Diese Arbeit stellt einen hybriden Quanten-Klassischen Algorithmus vor, der durch klassische Diagonalisierung von Hamiltonian-Operatoren und deren Einbindung in Quantenverfahren eine effiziente Simulation der Zeitentwicklung ermöglicht und dabei als Ergänzung zu bestehenden Methoden dient.
Diese Studie zeigt, dass ein kompakter 4-Qubit-Quanten-Convolutional-Neural-Network (QCNN) Fermionendichteprofile effizienter als klassische Modelle nutzt, um Verschränkung in Teilchenstreuungsprozessen des Thirring-Modells zu klassifizieren, wobei Trainierbarkeit und Kodierung wichtiger sind als reine Modellgröße.
Diese Studie untersucht die Skalierungsgesetze hybrider Quantenneuronaler Netze durch systematische Variation von Schichttiefe und Qubit-Anzahl, wobei sie sowohl klassische Leistungsmetriken als auch quantenspezifische Kennzahlen analysiert, um praktische Leitlinien für die Netzwerkkonfiguration zu entwickeln.
Die Arbeit analysiert die Existenz und Stabilität bosonischer, dissipationsresistenter gebundener Zustände in einem exakt lösbaren Modell sowie durch eine schwache Kopplungsbehandlung eines Supersystems mit parallelen Reaktionskoordinaten, wobei sie zeigt, dass diese Zustände durch ihre Lage in der Bandlücke stabilisiert werden, ihre Lebensdauer jedoch durch schwache Wechselwirkungen begrenzt und durch stärkere System-Reservoir-Kopplung erhöht werden kann.
Die Studie stellt ein hardware-effizientes Quanten-Reservoir-Computing-Framework für die Stromlastprognose vor, das durch den Verzicht auf Quanten-Backpropagation und den Einsatz von 8- oder 6-Bit-Quantisierung der klassischen Ausleseschicht eine Speicherreduktion von bis zu 81 % bei nur minimalen Genauigkeitsverlusten ermöglicht.
Die Arbeit stellt das erste rigorose Rahmenwerk für das Gibbs-Sampling bosonischer Vielteilchensysteme vor, indem sie nachweist, dass Bose-Hubbard-Modelle gapped dissipative Generatoren besitzen, was eine effiziente Vorbereitung thermischer Zustände auf Quantencomputern und damit die Berechnung thermischer Eigenschaften unendlichdimensionaler Systeme ermöglicht.
Die Arbeit stellt eine konstruktive Charakterisierung von translationsequivarianten Quanten-Convolutional-Neural-Networks vor, die auf der Diagonalisierung von Pixelverschiebungen durch die Quanten-Fourier-Transformation basieren, und beweist, dass diese Architektur im Vergleich zu herkömmlichen Ansätzen keine durch die Tiefe verursachten barren plateaus aufweist.
Diese Arbeit stellt nicht-variative Quantenoptimierungsansätze vor, die mithilfe von Iterative-QAOA und effizienteren HUBO-Formulierungen das NP-harte Problem der pangenomgesteuerten Sequenzassemblierung lösen und damit eine biologisch motivierte Anwendungsmöglichkeit für praktische Quantenoptimierung auf aktuellen Hardwaregeräten aufzeigen.