11028 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 fest, dass statische Eigenschaften von Quanten-Impuritätsmodellen effizient auf klassischen Computern mit polynomialen Zeitgarantien simuliert werden können, während sie gleichzeitig demonstriert, dass die Simulation ihrer dynamischen, Nichtgleichgewichtseigenschaften klassisch schwerfällig, aber auf Quantencomputern effizient realisierbar bleibt.
Diese Arbeit etabliert die universelle obere Schranke und das Haar-Mittel der fermionischen Nicht-Gaussianität, gemessen durch die magische Rényi-Entropie, während sie einen Phasenübergang erster Ordnung in deren Wachstum unter der Sachdev-Ye-Kitaev-Dynamik identifiziert, der eine qualitative Änderung der Nicht-Gaussianität signalisiert, die sich von der thermischen freien Energie unterscheidet.
Dieses Paper stellt die Variational Imaginary-time Majorana Evolution (VIME) vor, einen klassischen Pre-Training-Algorithmus gepaart mit einem komprimierten c-tUPS-Ansatz, der eine chemische Präzision bei der Vorbereitung des molekularen Grundzustands mit signifikant reduzierter Quantenschaltkreistiefe und Gatteranzahl im Vergleich zu bestehenden Methoden wie ADAPT-VMPE erreicht.
Dieses Paper schlägt verlusttolerante verteilte Lattice-Surgery-Protokolle unter Verwendung von Fusionsnetzwerken und ZX-Kalkül-Transformationen vor und demonstriert, dass hybride Ansätze, die lineare Clusterzustände nutzen, eine Interface-Erasure-Schwelle von 50 % erreichen und Interface-Distanzen signifikant verbessern können, insbesondere in Regimen mit geringem lokalem Rauschen.
Diese Arbeit bringt das geometrische Quanten-Maschinelles-Lernen voran, indem sie die Fourier-Symmetrisierung nutzt, um zu analysieren, wie Symmetriestrukturen die Expressivität modellieren, eine randomisierte Kodierungsmethode zur effizienten Implementierung invarianter Modelle einführt und eine überlegene Leistung bei der Lösung partieller Differentialgleichungen mittels quantenphysik-informierter neuronaler Netze demonstriert.
Diese Arbeit etabliert ein umfassendes Framework für den Quanten-Optimalen-Transport-Baryzentrum mit Existenz- und Dualitätsresultaten und beweist, dass Gaußsche Eingangszustände (speziell wenn mindestens einer faithful ist) ein Gaußsches Baryzentrum eindeutig bestimmen, indem sie die Lücke zwischen Kovarianz-Eindeutigkeit und voller Quantenzustands-Eindeutigkeit durch ein neuartiges Zustandsrekonstruktionsprinzip schließen.
Diese Arbeit führt Falltür-Clifford-Operatorverteilungen ein, die von gleichmäßig zufälligen Cliffords rechnerisch ununterscheidbar sind, jedoch eine nahezu lineare Zeitkomplexität für das Sampling und die Implementierung unter einer Learning-Parity-with-Noise-Annahme ermöglichen, wodurch schnellere Quantenprotokolle ermöglicht und neue Worst-Case-zu-Average-Case-Härte-Reduktionen für die Clifford-Schaltkreis-Synthese etabliert werden.
Diese Arbeit führt eine neue Klasse von Kollisionsmodellen namens Markovsche Verunreinigungsmodelle ein, um zu zeigen, dass eine Erhöhung des Verunreinigungsparameters einen Übergang von Markovschen zu nicht-Markovschen Dynamiken induziert, wobei der kritische Schwellenwert für diesen Übergang durch die Wechselwirkungsstärken zwischen System-Ancilla und Ancilla-Ancilla beeinflusst wird.
Diese Arbeit formuliert adaptives Abhören bei der Quantenschlüsselverteilung unter Kanaleffekten und Gerätedrift als einen beschränkten Markov-Entscheidungsprozess und zeigt auf, dass Reinforcement Learning kompakte Angriffs-Schaltkreise entdecken kann, die statische Strategien signifikant übertreffen und theoretische Obergrenzen sowohl in geräteabhängigen als auch in geräteunabhängigen Szenarien annähern.
Diese Arbeit untersucht nicht-markovsche Effekte auf informationelle stationäre Zustände innerhalb kontinuierlich überwachter Kollisionsmodelle und zeigt auf, dass der informationelle Gewinn pro Messung im stationären Zustand negativ mit dem Grad der Nicht-Markovianität korreliert und signifikant von den Wechselwirkungsparametern zwischen System-Ancilla und Ancilla-Ancilla beeinflusst wird.