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.
Die Arbeit stellt Multi-State Importance Sampling und Excited Pfaffians vor, eine neue neuronale Wellenfunktionsarchitektur, die es ermöglicht, viele angeregte Zustände und Potentialenergieflächen mit nahezu konstantem Stichprobenaufwand effizient und skalierbar zu berechnen.
Diese Arbeit stellt mit Qutes eine formale Semantik für reversible Quantenprogramme vor, die das Prinzip der Uncomputation als fundamentale Lebensdauersteuerung nutzt, um durch statische Analyse die früheste sichere Freigabe von Qubits zu bestimmen, die Schaltungstiefe zu reduzieren und die Parameterübergabe konsistent zu modellieren.
In dieser Arbeit wird eine auf supraleitenden Resonatoren basierende Mikrowellen-Spinresonanztechnik angewendet, um die magnetischen Anregungen in epitaktischen TbInO₃-Dünnfilmen zu untersuchen und dabei extreme magnetische Frustration bis zu extrem tiefen Temperaturen sowie die komplexe Wechselwirkung von Spin-Bahn-Kopplung, Kristallfeldern und improper Ferroelektrizität im Grundzustand aufzudecken.
Die Studie bewertet verschiedene auf Kalibrierungsdaten basierende digitale Zwillinge für IBM-Quantenhardware und zeigt, dass Modelle, die direkt aus herunterladbaren CSV-Dateien erstellt werden, die Messergebnisse der echten Hardware am genauesten nachbilden, wobei die Genauigkeit jedoch stark vom Zielgerät und den Transpilierungseinstellungen abhängt.
Dieser Artikel liefert exakte Charakterisierungen der quantenmechanischen bedingten gegenseitigen Information und anderer Entropien durch eine schnell konvergierende Summation explizit konstruierter Terme, die eine scharfe mathematische Beschreibung unabhängig von der Größe der Information ermöglichen.
Die Autoren stellen ein robustes, auf einem 1D-CNN basierendes Deep-Learning-Framework vor, das die Echtzeitanalyse von ODMR-Spektren von Stickstoff-Fehlstellen-Zentren in Diamant ermöglicht und dabei herkömmliche nichtlineare Anpassungsverfahren in Bezug auf Geschwindigkeit, Genauigkeit und Robustheit, insbesondere bei niedrigem Signal-Rausch-Verhältnis, übertrifft.
Diese Arbeit analysiert quantitativ, wie der Pump-Walk-off-Effekt die Drehimpulserhaltung bei der spontanen parametrischen Down-Konversion verletzt, leitet ein Skalierungsgesetz für die OAM-Verteilung ab und zeigt auf, wie dieser Effekt gezielt zur Ingenieurierung von OAM-verschränkten Quantenzuständen genutzt werden kann.
Diese Arbeit stellt einen skalierbaren Ansatz vor, der das neuronale Netzwerk-Backflow-Verfahren durch eine zweistufige Beschneidungsstrategie erfolgreich auf ab-initio-Festkörpersysteme anwendet und dabei in Benchmark-Tests für Materialien wie Wasserstoffketten, Graphen und Silizium state-of-the-art-Genauigkeit bei stark korrelierten Systemen erreicht.
Die Studie zeigt, dass für eine quantitative Genauigkeit beim triangular-lattice Hubbard-Modell mit constrained-path Quantum Monte Carlo symmetrieangepasste Testwellenfunktionen unerlässlich sind, insbesondere bei halber Besetzung, wo sie eine effiziente Untersuchung stark korrelierter, frustrierter Systeme ermöglichen.
Die vorgestellte Arbeit führt Photonic Quantum-Enhanced Knowledge Distillation (PQKD) ein, ein hybrides Framework, das intrinsische stochastische Messergebnisse programmierbarer photonischer Schaltkreise nutzt, um parametereffiziente Schüler-Netzwerke durch dictionary-basierte Faltungen zu trainieren und dabei eine kontrollierbare Kompressions-Accuracy-Frontier bei gleichzeitiger Vermeidung von Gradientenberechnungen durch die Hardware zu erreichen.