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.
Diese Arbeit stellt einen klassischen Approximationsalgorithmus für das Quantum Max Cut-Problem vor, der mit einem Verhältnis von 0,595 die bisherigen Bestwerte übertrifft und dabei eine einfachere Ausgabe aus höchstens 2-Qubit-Zuständen liefert.
Dieser Artikel stellt eine konvergente Matrixdarstellung des Ortsoperators vor, die die Divergenz herkömmlicher Ansätze überwindet, indem sie die Weyl-Algebra erweitert, und untersucht deren tiefgreifende Auswirkungen auf geometrische Konzepte wie die Berry-Verbindung sowie auf die Grundlagen einer vereinheitlichten Transporttheorie.
Diese Arbeit untersucht die Anwendung von Quantum Active Learning auf Quanten-Neuronale Netze, indem sie äquivariante Architekturen nutzt, um mit weniger als 7 % gelabelter Daten eine vergleichbare Leistung wie bei vollständigen Datensätzen zu erzielen, wobei auch die Grenzen dieser Methode im Vergleich zur Zufallsstichprobe aufgezeigt werden.
Diese Arbeit stellt eine auf der Riemannschen Geometrie der Bures-Wasserstein-Mannigfaltigkeit basierende Familie verallgemeinerter Quanten-Fidelitäten vor, die bekannte Fidelitäten und Divergenzen umfasst und durch Invarianzeigenschaften, eine Blockmatrix-Charakterisierung sowie einen Uhlmann-ähnlichen Satz charakterisiert wird.
Diese Arbeit zeigt, dass das gezielte Einstellen von Rauschpegeln in Quantenhardware als Regularisierung wirken und die Generalisierungsfähigkeit von Quanten-Neuronalen Netzen verbessern kann, was durch Simulationen auf einem realistischen Modell eines supraleitenden Quantencomputers für Regressionsaufgaben bestätigt wird.
Diese Arbeit verallgemeinert das Konzept des Loschmidt-Echos und von OTOCs auf offene Quantensysteme unter Lindblad-Dynamik, analysiert deren universelles Verhalten in schwachen und starken Dissipationsregimen, stellt Verbindungen zur Rényi-Entropie her und schlägt ein experimentelles Messprotokoll vor.
Die Autoren schlagen ein effizientes Protokoll vor, das mithilfe von linearer Optik und der Detektion einzelner Photonen aus gequetschten Überlagerungszuständen von null und zwei Photonen hochfidele optische Schrödinger-Katzenzustände mit einer Erfolgswahrscheinlichkeit von über 50 % und einer hohen Fehlertoleranz gegenüber Verlusten erzeugt.
Die Autoren stellen eine neuartige photonische Quanten-Convolutional-Neural-Network-Architektur vor, die auf Teilchenzahl-erhaltenden Schaltkreisen mit adaptiver Zustandsinjektion basiert, und validieren diese experimentell auf einer integrierten photonischen Plattform mit Quantenpunkt-Photonenquellen für die Bildklassifizierung, wobei die Skalierbarkeit durch numerische Simulationen weiter untersucht wird.
Diese Arbeit stellt ein Formalismus zur Untersuchung von Nichtlokalität in kontinuierlichvariablen Quantennetzwerken vor, der zeigt, dass pseudospinbasierte Messungen in Sternkonfigurationen auch bei hohen Temperaturen und mit nicht-gaußschen Ressourcen starke Nichtlokalität ermöglichen, die sogar bei verschwindendem Squeezing maximale Verletzungen von Lokalitätsungleichungen erreicht.
Die Autoren stellen superponierte parametrisierte Quantenschaltkreise vor, die durch die Kombination von Flip-Flop-Quanten-RAM und Repeat-until-Success-Protokollen exponentielle Submodelle parallel trainieren und nichtlineare Aktivierungsfunktionen erzeugen, wodurch sie die Ausdruckskraft und Skalierbarkeit von Quantenmaschinenlernen im Vergleich zu herkömmlichen linearen Ansätzen erheblich steigern.