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

Holonomy and Complementarity in Open Quantum Systems

Dieser Artikel zeigt, dass bei getriebenen dissipativen Qubits Komplementaritätsbeziehungen eine geometrische Interpretation erhalten, wobei sich Offenheit als radialer Defizit äußert und die durch Dissipation induzierte Krümmung auf der Mannigfaltigkeit des stationären Zustands die holonome zyklische Arbeitsantwort steuert, wodurch Quantenkomplementarität, Dissipation und nichtgleichgewichtige geometrische Thermodynamik miteinander verknüpft werden.

Eric R Bittner2026-05-12
⚛️ quantum physics

Equivariant Reinforcement Learning for Clifford Quantum Circuit Synthesis

Dieser Beitrag stellt einen äquivarianten, größenagnostischen Reinforcement-Learning-Agenten vor, der für Geräte mit All-zu-All-Konnektivität effizient optimale oder nahezu optimale Clifford-Quantenschaltkreise synthetisiert, dabei bestehende Werkzeuge wie die Synthesizer von Qiskit übertrifft und erfolgreich von sechs auf dreißig Qubits skaliert.

Richie Yeung, Aleks Kissinger, Rob Cornish2026-05-12
⚛️ quantum physics

Qualitative quantum simulation of resonant tunneling and localization with the shallow quantum circuits

Dieser Artikel zeigt, dass flache Quantenschaltkreise mit großen Zeitschritten ausreichen, um kontinuierliche Quantenphänomene wie resonantes Tunneln und Lokalisierung qualitativ zu beobachten, was einen praktikablen Ansatz für Quantencomputer der nahen Zukunft nahelegt, der qualitative Erkenntnisse gegenüber quantitativer Präzision priorisiert.

J. L. Shen, P. Wang2026-05-11
⚛️ quantum physics

Exceptional point induced quantum phase synchronization and entanglement dynamics in mechanically coupled gain-loss oscillators

Dieser Artikel zeigt, dass durch einen außergewöhnlichen Punkt induzierte selbstunterhaltende Oszillationen in mechanisch gekoppelten optomechanischen Oszillatoren mit Verstärkung und Verlust im Bereich schwacher Kopplung eine robuste Quantenphasensynchronisation und bipartite Gaußsche Verschränkung bewirken und damit vielversprechende Wege für die phononische Quanteninformationsverarbeitung trotz Frequenzfehlanpassungen und thermischer Dekohärenz eröffnen.

Joy Ghosh, Souvik Mondal, Shailendra K. Varshney, kapil Debnath2026-05-11
⚛️ quantum physics

Learning quantum Hamiltonians at any temperature in polynomial time

Dieser Artikel löst ein großes offenes Problem, indem er einen Algorithmus in polynomieller Zeit vorstellt, der lokale Quanten-Hamilton-Operatoren mit einer Genauigkeit von ϵ\epsilon aus polynomiell vielen Kopien ihrer Gibbs-Zustände bei jeder konstanten inversen Temperatur β>0\beta > 0 lernt, wobei eine neuartige flache Polynomapproximation und eine Sum-of-Squares-Relaxation genutzt werden, um vorherige rechnerische Barrieren zu überwinden.

Ainesh Bakshi, Allen Liu, Ankur Moitra, Ewin Tang2026-05-11
⚛️ quantum physics

Measurement-based quantum machine learning

Dieser Artikel schlägt den Multiple-Triangle-Ansatz (MuTA) vor, ein universelles messbasiertes Quantenneuronales-Netzwerk-Framework, das die Vorteile des MBQC-Paradigmas nutzt, um skalierbares Training, Rauschresilienz und vielfältige Anwendungen zu ermöglichen, die von der Quantenzustandsklassifizierung bis zu hardwarebeschränkten photonischen Implementierungen reichen.

Luis Mantilla Calderón, Robert Raussendorf, Polina Feldmann, Dmytro Bondarenko2026-05-11
⚛️ quantum physics

Accelerating Quantum Eigensolver Algorithms With Machine Learning

Dieser Beitrag untersucht den Einsatz von auf klassischen Daten trainierten Machine-Learning-Modellen zur Vorhersage optimaler Hyperparameter zur Beschleunigung von Quanten-Eigensolver-Algorithmen auf NISQ-Geräten, wobei eine moderate Fehlerreduktion bei 28-Qubit-Systemen erreicht wird, gleichzeitig jedoch die Notwendigkeit einer weiteren Verfeinerung der Trainingsdaten basierend auf Hamiltonian-Charakteristika hervorgehoben wird.

Avner Bensoussan, Elena Chachkarova, Karine Even-Mendoza, Sophie Fortz, Connor Lenihan2026-05-11