6293 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 zeigt, dass die Wechselwirkung des magnetischen Dipolmoments des Elektrons mit Magnetfeldern sowohl durch eine auf das Poynting-Theorem und Maxwell-Gleichungen erweiterte klassische Formulierung als auch durch die konventionelle Quantenelektrodynamik konsistent beschrieben werden kann, wobei beide Ansätze ausschließlich elektromagnetische Felder verwenden.
In diesem Papier stellen die Autoren den Q-NLB-UCB-Algorithmus vor, der mithilfe von Quantencomputing, Monte-Carlo-Schätzung und parametrischer Funktionsapproximation das Regret-Problem bei nichtlinearen Bandit-Optimierungsaufgaben in hohen Dimensionen löst und dabei eine input-dimensionfreie Komplexität von erreicht.
Diese Studie stellt DEAL (Direct Entanglement Ansatz Learning) vor, einen neuartigen Ansatz zur Lösung NP-schwerer kombinatorischer Optimierungsprobleme auf fehleranfälligen supraleitenden Qubits, der durch eine direkte Abbildung von Problemparametern auf Ansatzwinkel, die Nutzung von Verschränkung und Zero-Noise-Extrapolation (ZNE) die Konvergenzgeschwindigkeit und Erfolgsrate im Vergleich zum klassischen QAOA signifikant verbessert.
Die Autoren stellen eine neuartige, hybride Many-Body-Ansatz-Methode namens „Perceptrain" vor, die Merkmale von neuronalen Netzen und Tensor-Netzwerken kombiniert, um den Grundzustand eines zweidimensionalen Quanten-Ising-Modells mit hoher Genauigkeit und robuster Optimierung effizient zu berechnen.
Diese Studie zeigt, dass Schwarmoptimierungsalgorithmen wie PSO und QPSO im Vergleich zu Standardoptimierern eine robustere und stabilere Parameterinitialisierung für den Quantum Approximate Optimization Algorithm (QAOA) bieten, insbesondere unter noisy und shot-limitierten Bedingungen.
Diese Arbeit stellt ein effizientes Protokoll vor, das durch eine robuste optimale Steuerung und eine einzelne Erwartungswertmessung die direkte Quantifizierung der Verschränkung in einem Zwei-Qubit-System ohne vollständige Quantenzustandstomographie ermöglicht.
Die Autoren schlagen ein dynamisches Protokoll vor, bei dem das Verschmelzen getrennter Fragmente in einem 1D-Doppeltopf-Potential genutzt wird, um anhand von Kristallschwingungen und der Anregung von Solitonen die Starrheit und den zweiten Schall in dipolaren Supersoliden nachzuweisen.
Diese Arbeit stellt ein unüberwachtes maschinelles Lernverfahren vor, das klassische Schatten-Tomographie mit Hauptkomponentenanalyse kombiniert, um diverse Quantenphasenübergänge in verschiedenen Spinsystemen ohne Kenntnis der Hamilton-Funktion oder expliziter Ordnungsparameter zuverlässig zu identifizieren und zu klassifizieren.
Der Artikel schlägt zwei Experimente vor, um anhand von Subschwellen-Oszillationen in Neuronekulturen und der Ausbreitungsstatistik elektrischer Aktivität in Axonen zu untersuchen, ob neuronale Dynamiken besser durch klassische Gleichungen oder durch neu eingeführte Quantenvarianten dieser Gleichungen beschrieben werden.
Dieses Papier stellt mit QSBAI einen quantenalgorithmischen Rahmen vor, der Quantenläufe nutzt, um die Best-Arm-Identifikation in Graph-Bandit-Problemen mit räumlichen Einschränkungen zu ermöglichen, und leitet dabei theoretische Ergebnisse für maximale Erfolgswahrscheinlichkeiten auf vollständigen und bipartiten Graphen ab.