6223 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.
Dieser Artikel stellt die erste Implementierung eines auf Schrödingerisierung basierenden Algorithmus zur Simulation der Maxwell-Gleichungen im Zeitbereich auf Quantenhardware vor und demonstriert die genaue Rekonstruktion von elektromagnetischen Feldamplituden und -richtungen auf einem IonQ-QPU sowohl für Benchmark-Probleme als auch für gestreute Felder.
Dieser Beitrag nutzt die Floquet-Born-Markov-Theorie, um zu zeigen, dass die -topologische Klassifikation periodisch getriebener Su-Schrieffer-Heeger-Ketten, die durch Ensemble-geometrische Phasen und geschützte Randmoden sowohl in den $0$- als auch in den -Quasienergie-Lücken charakterisiert ist, sich robust auf dissipative, endlich-temperierte offene Quantensysteme erstreckt.
Dieser Beitrag stellt einen problembewussten, graphenbedingten Meta-Optimierer vor, der lernt, QAOA-Parametertrajektorien über diverse Klassen kombinatorischer Optimierungsprobleme hinweg zu generieren, und dabei eine verbesserte Leistung und Übertragbarkeit gegenüber Standardinitialisierungsmethoden ohne Erfordernis von Ground-Truth-Winkeln demonstriert.
Dieser Artikel zeigt, dass das Einführen nichtlinearer Wechselwirkungen in diskrete Zeitkristall-Sonden die Präzision der Quantensensorik durch eine Erhöhung der Systemgrößen-Skalierung der Quanten-Fischer-Information signifikant verbessert, gleichzeitig aber auch aufdeckt, dass stärkere Nichtlinearitäten das Stabilitätsfenster verengen und dass Pulsfehler die Informationskodierung überraschenderweise steigern können.
Dieser Beitrag stellt eine Methode vor, die synchron rotierende Halbwellenplatten zur Eliminierung von Polarisationsänderungen in K-Spiegel-Wellenfrontrotatoren verwendet, und validiert sie experimentell, wodurch eine rotationswinkelunabhängige Polarisationsbewahrung für jeden Basiswinkel und jeden Eingangszustand erreicht wird.
Dieser Artikel schlägt einen hybriden quantenklassischen genetischen Algorithmus vor, der einen Quantenschaltkreis nutzt, um die Gowers-Norm effizient als Fitnessfunktion zur Konstruktion gebogener Boolescher Funktionen zu bewerten, und dabei einen signifikanten Komplexitätsvorteil gegenüber klassischen Methoden demonstriert, indem die Rechenkosten pro Abfrage von exponentiell auf polynomial reduziert werden.
Dieser Artikel stellt eine Proof-of-Concept-Quantenkryptanalyse der Even-Mansour-Chiffre mit dem Simon-Algorithmus auf NISQ-Hardware vor, bei der erfolgreich geheime Schlüssel für 3-Bit- und 4-Bit-Konstruktionen auf dem ibm_miami-Prozessor wiederhergestellt wurden, wobei gleichzeitig Speicherengpässe in aktuellen Schaltungsoptimierungswerkzeugen für größere Schlüssellängen aufgezeigt werden.
Dieser Artikel schlägt und analysiert durch Quanten-Annealing inspirierte Algorithmen vor, insbesondere Approximate Quantum Annealing (AQA) und Evolving Hamiltonian Quantum Optimization (EHQO), und zeigt durch numerische Simulationen, dass sie ressourceneffiziente Strategien und effektive Warm-Start-Fähigkeiten bieten, um die variationale Quantenoptimierung auf NISQ-Geräten zu verbessern.
Dieser Artikel zeigt, dass Autoresearch, eine KI-gesteuerte Strategie für Codierungsagenten, Hyperparameter für Grundzustandspräparationsprotokolle wie VQE, DMRG und AFQMC automatisch optimieren kann, indem sie einfache Baselines durch ausführbare, energiebasierte Bewertung in komplexe, leistungsfähige Algorithmen weiterentwickelt.
Dieser Beitrag stellt ein Framework zur Konstruktion schneller, nachweislich genauer klassischer Tensor-Train-Surrogate trainierter Quanten-Machine-Learning-Modelle innerhalb lokaler Eingabepatches vor, indem Taylor-Polynomapproximation mit empirischem Risikominimierung kombiniert wird, wodurch eine effiziente Inferenz mit explizit kontrollierten Approximations- und Generalisierungsfehlern ermöglicht wird.