3968 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 Autoren stellen ein Protokoll vor, das durch eine zeitabhängige Bell-Messung und die selektive Verwerfung bestimmter Ergebnisse eine nahezu perfekte Quantenteleportation auch in stark verrauschten Umgebungen ermöglicht, wobei die Zuverlässigkeit unabhängig von den lokalen Rauschparametern bei Alice ist und selbst bei schwach verschränkten Ressourcen oder solchen, die die Bell-CHSH-Ungleichung nicht verletzen, hohe Fidelität erreicht wird.
Die Arbeit stellt das Kaiwu-PyTorch-Plugin (KPP) vor, das Deep Learning mit der Photonen-Quantencomputing-Technologie des Coherent Ising Machine verbindet, um Energie-basierte Modelle durch beschleunigte Boltzmann-Sampling-Verfahren, optimierte aktive Datenauswahl und hybride Architekturen wie QBM-VAE und Q-Diffusion zu verbessern und dabei auf verschiedenen Datensätzen State-of-the-Art-Ergebnisse zu erzielen.
Diese Arbeit entwickelt präzise effektive Operatoren für Graphen-Supergitter am Fermi-Niveau, indem sie Variationsmethoden, Störungstheorie und Multiskalenanalyse kombiniert, um den üblichen masselosen Dirac-Operator durch modifizierte Operatoren zu ersetzen und dies durch Simulationen zu validieren.
Die Arbeit widerlegt die Möglichkeit, Approximate-Nearest-Neighbor-Datenstrukturen in einem breiten Quanten-Sketch-Modell auf Qubits zu komprimieren, indem sie eine lineare untere Schranke von Qubits für die Speichergröße herleitet, während sie gleichzeitig bestätigt, dass Quantenalgorithmen wie Amplitude Amplification nur eine quadratische Beschleunigung bei der Abfragezeit ermöglichen.
Diese Arbeit stellt einen experimentell effizienten maschinellen Lernansatz vor, der mit wenigen Messungen die Distillierbarkeit von Qubit-Ququart-Zuständen klassifiziert und dabei vollständige Zustandstomografie umgeht.
Die Arbeit untersucht die globale Wohlgestelltheit und modifizierte Streuung der eindimensionalen nichtlinearen Schrödingergleichung mit gauge-invarianter polynomialer Nichtlinearität für kleine lokalisierte Anfangsdaten und leitet mithilfe der Raum-Zeit-Resonanzmethode eine asymptotische Entwicklung beliebiger Ordnung unter Berücksichtigung der langreichweitigen Effekte der kubischen Komponente rigoros her.
Diese Arbeit zeigt theoretisch, dass die Kontextualität die Unterscheidung quantenmechanischer Zustände bei fester Ausfallwahrscheinlichkeit verbessern kann, wobei dieser Vorteil jedoch in einem bestimmten Bereich mittlerer Ausfallwahrscheinlichkeiten verschwindet und mit zunehmendem Rauschen wieder auftritt.
Die Arbeit leitet analytisch die universellen Beta-Verteilungen für die Bit-String-Wahrscheinlichkeiten zufälliger Quantenzustände ab, beweist deren exakte bedingte Selbstähnlichkeit und zeigt, wie diese Skalierungsinvarianz trotz Depolarisierungsrauschen eine robuste Validierung von Random-Circuit-Sampling ermöglicht.
Die Arbeit schlägt einen zeitlichen Mach-Zehnder-Interferometer vor, der auf der kontrollierten Verschränkung eines Mikrowellen-Qubits mit einem magnonischen Zustand basiert und es ermöglicht, die Dekohärenz einzelner Magnonen sowie deren Entartungsraten in zwei verschiedenen Kanälen unabhängig voneinander zu untersuchen.
Die Autoren stellen ein skalierbares Quanten-Hamiltonian-Learning-Framework vor, das auf zeitlich aufgelösten Messdaten basiert und erfolgreich zur Inferenz von Genregulationsnetzwerken in synthetischen sowie realen Glioblastom-Daten angewendet wird, um neue biologisch plausible Zusammenhänge in der Krebsforschung aufzudecken.