quant-ph Arbeiten | Gist.Science

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.

⚛️ quantum physics

Dynamically Enabled Robustness of Geometric Phases and Entanglement in the Nonlinear Jaynes-Cummings Model

Dieser Artikel zeigt, dass im nichtlinearen Jaynes-Cummings-Modell die Robustheit geometrischer Phasen und Verschränkung gegenüber Dissipation nicht allein auf Resonanz oder geodätischer Evolution beruht, sondern auf einem dynamisch ermöglichten Mechanismus, bei dem Umweltschutz erst dann entsteht, wenn dissipative Trajektorien mit der Struktur der zugrundeliegenden unitären Dynamik übereinstimmen und diese bewahren.

Ali Martin Zynda, Paula I. Villar, Fernando C. Lombardo2026-05-19

💻 computer science

quantum-safe: Bridging the Post-Quantum Production Gap with a Hybrid-by-Default Python Cryptography Library

Dieser Beitrag stellt *quantum-safe* vor, eine standardmäßig hybride Python-Kryptographiebibliothek, die die Lücke zur postquantenresistenten Produktion schließt, indem sie eine vollständige Abdeckung über acht kritische Reifegraddimensionen hinweg erreicht, die Implementierungskomplexität und den Overhead erheblich reduziert und gleichzeitig die erste statistisch rigorose Leistungs- und Timing-Seitenkanalanalyse eines Python-basierten PQC-Ökosystems bereitstellt.

Animesh Shaw2026-05-19

⚛️ quantum physics

Near-Optimal Quantum Time Evolution Circuits via Provably Convergent Compression

Dieser Beitrag stellt eine beweisbar konvergente variationelle Kompressionsmethode mit einem spezifischen Initialisierungsschema vor, das eine nahezu optimale Gatterkomplexität für die Simulation lokaler, translationsinvarianter Hamilton-Operatoren garantiert, was erfolgreich an einem Heisenberg-Antiferromagneten auf einem Kagome-Gitter mit 48 Gitterplätzen demonstriert wurde, um Quantensimulationen jenseits klassischer Fähigkeiten zu ermöglichen.

Erenay Karacan, Isabel Nha Minh Le, Matteo D'Anna, Juan Carasquilla, Christian B. Mendl, Ivan Rojkov2026-05-19

⚛️ high-energy theory

Covariant extrinsic curvature expansion of the nonlocal effective action for a massless scalar field on a manifold with boundary

Diese Arbeit verwendet einen Wärme-Kern-Ansatz, um eine kovariante Entwicklung der nichtlokalen Wirkung für ein masseloses Skalarfeld auf einer flachen Mannigfaltigkeit mit gekrümmtem Rand herzuleiten, erweitert frühere Ergebnisse auf allgemeine Flächen und wendet das Rahmenwerk zur Berechnung von Teilchenerzeugungsraten für oszillierende deformierte Geometrien in 2+1 und 3+1 Dimensionen an.

A. Boasso, C. D. Fosco, B. C. Guntsche, F. D. Mazzitelli2026-05-19

⚛️ quantum physics

Toward Near-Real-Time Marine Oil Spill Detection in SAR Imagery using Quantum-Assisted SVM

Dieser Beitrag stellt einen quantenunterstützten Support-Vector-Machine-(QSVM-)Bagging-Ensemble vor, der Quantenannealing nutzt, um Support-Vektoren für die Erkennung von marinen Ölverschmutzungen in SAR-Bildern in nahezu Echtzeit zu optimieren, eine Leistung erzielt, die mit klassischen Baselines vergleichbar ist und einen IoU von 0,60 aufweist, und die Machbarkeit einer effizienten, übertragbaren Umweltüberwachung demonstriert.

Joseph Strauss, Jyotsna Sharma2026-05-19

⚛️ quantum physics

Maximum Likelihood Decoding of Quantum Error Correction Codes

Dieser thematische Überblick bietet eine vereinheitlichte Perspektive auf die rechnerisch unlösbare, aber optimale Maximum-Likelihood-Decodierung (MLD) von Quantenfehlerkorrekturcodes, indem er aktuelle Fortschritte durch die komplementären Perspektiven der statistischen Mechanik, Tensor-Netzwerke und künstlichen Intelligenz zusammenfasst und dabei deren Zusammenhänge, Anwendungen und zukünftige Herausforderungen diskutiert.

Hanyan Cao, Ge Yan, Yuxuan Du, Feng Pan2026-05-19

⚛️ quantum physics

Module Lattice Security (Part III): Structured CVP Distance on the Log-Unit Lattice

Dieser Artikel zeigt, dass der $L^2$ -Abstand von zufälligen kurzen Ringelementen zum Log-Einheiten-Gitter von $\Q(\zeta_{2^k})$ gegen eine spezifische Konstante multipliziert mit $\sqrt{n}$ konvergiert, was beweist, dass strukturierte Ziele innerhalb der Voronoi-Zelle des Ursprungs liegen, und eine Reduktion des CDPR-Näherungsfaktors für ML-KEM von exponentiell auf subpolynomiell ermöglicht.

Ming-Xing Luo2026-05-19

⚛️ quantum physics

Module Lattice Security (Part IV): Probabilistic Polynomial Quantum Attack on Module-LWE over 2-Power Cyclotomics

Dieser Artikel stellt einen quantenmechanischen Angriff in polynomieller Laufzeit vor, der standardisierte ML-KEM-, Falcon-, Hawk- und NTRU-Schemata über 2-Potenz-zyklotomischen Ringen durchbricht, indem er eine Turmzerlegung des Hauptidealproblems nutzt, um mit einem verifizierten Approximationsfaktor eine hohe Erfolgswahrscheinlichkeit zu erreichen.

Ming-Xing Luo2026-05-19

⚛️ high-energy experiments

Quantum Error Correction Assisted Axion Search in CMOS Spin Qubit Arrays

Diese Arbeit zeigt, dass die Integration von Quantenfehlerkorrektur mit logischer GHZ-Verschränkung in CMOS-Spin-Qubit-Arrays die longitudinale Dephasierung wirksam unterdrücken kann, wodurch die durch Verschränkung verstärkte Empfindlichkeit wiederhergestellt und eine Verbesserung der Detektion von Axion-Elektron-Kopplungen für Dunkle-Materie-Suchen um eine Größenordnung erreicht wird.

Xiangjun Tan, Zhanning Wang2026-05-19

⚛️ quantum physics

Large-Scale Quantum Kernels for Hyperspectral Data Classification

Dieser Beitrag stellt die erste groß angelegte Studie vor, die nachweist, dass auf Fidelity basierende Quanten-Kernel-Support-Vektor-Maschinen, die durch Tensor-Netzwerk-Kontraktion und GPU-Techniken beschleunigt werden, im Vergleich zu klassischen State-of-the-Art-Baselines eine wettbewerbsfähige oder überlegene Klassifikationsgenauigkeit auf hochdimensionalen hyperspektralen Daten erreichen, ohne dass eine umfangreiche vorherige Merkmalsauswahl erforderlich ist.

A. Delilbasic, A. Miroszewski, A. Wijata, J. Nalepa, J. Mielczarek, M. Riedel, G. Cavallaro2026-05-19

← Zurück Weiter →