10986 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.
QwaveMPS ist eine effiziente, Open-Source-Python-Bibliothek, die Matrixproduktzustände nutzt, um komplexe nicht-markovsche Wellenleiter-QED-Systeme zu simulieren, was eine skalierbare und kosteneffiziente Modellierung von quantisierten Atomen und Photonen mit zeitverzögerten Rückkopplungseffekten ermöglicht.
Dieses Paper stellt CircuitHunt vor, ein automatisiertes Framework, das Quantenschaltkreise aus dem KetGPT-Datensatz effizient screenen und optimiert, um eine überlegene Leistung bei der Kreditkartenbetrugserkennung mit einer Genauigkeit von 97 % zu erzielen, wobei die Suchzeit für Architekturen signifikant reduziert und Herausforderungen wie Klassenungleichgewicht adressiert werden.
Dieses Paper stellt QUAV vor, ein neuartiges quantengestütztes Framework unter Verwendung des Quantum Approximate Optimization Algorithm (QAOA), um eine skalierbare Echtzeit-Pfadplanung für UAVs mit Hindernisvermeidung zu ermöglichen, welches sowohl durch Simulationen als auch durch reale Hardware auf IBMs ibm_kyiv Backend validiert wurde.
Diese Arbeit zeigt, dass drei vorgeschlagene Quantenalgorithmen, insbesondere das auf PennyLane basierende Quantenneuronale Netz (QNN-P), klassische Methoden in Bezug auf Genauigkeit und Rauschrobustheit bei der Optimierung von energiearmen Carbon-IoT-Systemen für Aufgaben wie die Raumbelegungserkennung und GPS-Verfolgung übertreffen und somit eine skalierbare und nachhaltige Lösung für zukünftige IoT-Infrastrukturen bieten.
Dieses Paper schlägt QNN-VRCS vor, ein Quanten-Neuronales Netz, das spezifische Quantenalgorithmen und Bildkodierungstechniken integriert, um Vehicle Road Cooperation Systems zu optimieren, wobei eine hohe Klassifizierungsgenauigkeit und Robustheit bei der Verarbeitung von Verkehrsdaten für intelligente 6G-Transportlösungen erreicht wird.
Das Papier stellt FL-QDSNNs vor, ein Framework für föderiertes Lernen zur Wahrung der Privatsphäre, das einen dynamischen Schwellenwert-Spiking-Mechanismus nutzt, um Quantengatter basierend auf lokalem Daten-Drift selektiv zu aktivieren, wodurch eine hohe Genauigkeit auf Non-IID-Datensätzen bei gleichzeitiger Aufrechterhaltung der Recheneffizienz und Skalierbarkeit über expandierende Client-Netzwerke hinweg erreicht wird.
Dieses Paper schlägt ein hybrides klassisch-quantenmechanisches neuronales Netzwerk (HQNN-FSP) zur Vorhersage des Finanzaktienmarktes vor und evaluiert dieses, wobei es einen neuartigen Quanten-Ansatz sowie zwei Optimierungsstrategien einführt, um das Potenzial quantengestützten Lernens bei der Erfassung komplexer zeitlicher Abhängigkeiten und der Verbesserung der regressionsbasierten Prognose zu demonstrieren.
Dieses Paper schlägt einen neuartigen hybriden Quanten-Fuzzy-Neuronalen-Netzwerk-Ansatz (QFNN) für die Sentiment-Analyse vor, der Quanteneigenschaften und Fuzzy-Logik nutzt, um die Einschränkungen klassischer Methoden zu überwinden und im Vergleich zu bestehenden Algorithmen eine überlegene Genauigkeit (100 % und 90 %) sowie Robustheit gegenüber Rauschen auf Twitter-Datensätzen zu erreichen.
Diese Arbeit beweist die vermutete obere Schranke für die optimale durchschnittliche Erfolgswahrscheinlichkeit von binären - und -Quanten-Random-Access-Codes und bestätigt damit die strikte Optimalität der jüngsten Konstruktionen von Suzuki sowie Akibue et al. unter Verwendung von Techniken, die „Pretty Good Measurements“ und dimensionsbezogene Beschränkungen involvieren.
Diese Arbeit führt einen theoretischen Rahmen auf Basis des zeitabhängigen verallgemeinerten Gibbs-Ensembles ein, um die Magnetisierungs- und Stromdynamik offener Quanten-Spinnketten mit nicht-reziproker Dissipation im schwachen Dissipationsregime zu charakterisieren, wobei der Ansatz erfolgreich gegen numerische Simulationen validiert und die Analyse über nicht-wechselwirkende Fermionen hinaus erweitert wird.