3746 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 Decodierung zufälliger Quanten-Stabilisator-Codes als vielversprechende neue Annahme für die Post-Quanten-Kryptografie vor, für die sie praktische und sichere Konstruktionen für Public-Key-Verschlüsselung und oblivious transfer liefert und die sich von der etablierten LPN-Problematik unterscheidet.
Diese Arbeit gibt einen Überblick über verschiedene quantenbasierte Ansätze zur kombinatorischen Optimierung, bewertet deren Reife und potenziellen industriellen Nutzen in Bereichen wie Logistik und Finanzen und stellt fest, dass Quanten-Annealing derzeit am weitesten entwickelt ist, während QAOA auf aktueller Hardware vielversprechend ist und QRL sowie QGM langfristiges Potenzial besitzen.
Die Arbeit beschreibt einen empirischen Ansatz zur Identifizierung von niedriggewichtigen Fehlerkombinationen, die die Konvergenz von Belief-Propagation-Decodierern verlangsamen, und zeigt, dass durch die gezielte Ergänzung der Decodiermatrix sowohl die logischen Fehler als auch die Decodierzeit reduziert werden können.
Diese Arbeit verallgemeinert das Matrix-Produkt-Zustands-Formalismus für translationinvariante Systeme mit modulierten Symmetrien, leitet eine angepasste Symmetrie-"Push-Through"-Bedingung her und nutzt diese zur Klassifizierung eindimensionaler SPT-Phasen sowie zur Formulierung von LSM-artigen Einschränkungen.
Die Autoren stellen ein adaptives Quanten-Neurales Netzwerk vor, das durch messungsinduzierte Nichtlinearität und history-abhängige Dynamik funktioniert, und demonstrieren dessen Trainingsfähigkeit sowie Leistungsfähigkeit bei Optimierungs- und Klassifizierungsaufgaben.
Die Studie zeigt, dass die reale Quantentheorie experimentell nicht von der komplexen Quantentheorie unterscheidbar ist, da die Annahmen, die eine Unterscheidung in Netzwerkexperimenten suggerierten, operational nicht überprüfbar sind und alle erreichbaren Korrelationen in beiden Theorien äquivalent sind.
Die Studie stellt einen neuen Paradigmenwechsel vor, der maschinelles Lernen, klassische Molekulardynamik und adiabatisches Quantencomputing (D-Wave) integriert, um seltene konformative Übergänge in Biomolekülen effizient und ohne physikalische Verzerrungen zu simulieren.
Die Studie präsentiert einen hybriden klassisch-quantenmechanischen Algorithmus, der maschinelles Lernen mit Quanten-Annealing kombiniert, um seltene Proteinübergänge im Millisekundenbereich effizient zu simulieren und dabei Ergebnisse erzielt, die mit denen spezieller Supercomputer vergleichbar sind.
Die Studie zeigt, dass offene Quantensysteme mit Kavitäten in der starken Kopplung Dicke-Zustände für die Heisenberg-Grenze nutzen, während in schwachen oder verlustbehafteten Regimes separable X-polarisierte Zustände die beste Skalierung und ebenfalls die Heisenberg-Grenze erreichen.
Die Studie zeigt, dass eine quadratische Kopplung eines beschleunigten Unruh-DeWitt-Detektors an ein skalares Quantenfeld die Dekohärenz signifikant unterdrückt und im Vergleich zur linearen Kopplung die Kapazität sowie die Effizienz der Quantenbatterie durch die Erhaltung der Kohärenz bei Vorhandensein einer orthogonalen Geschwindigkeit verbessert.