⚛️ Category

quant-ph

10126 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.

⚛️ Quantenphysik

Ground-state energies of Ising models calculated using the samples from a quantum computer that simulates short-time evolution

Dieser Artikel demonstriert die Berechnung von Grundzustandsenergien für homogene und Zufalls-Kopplungs-Ising-Modelle auf bis zu 63 Qubits unter Verwendung des Cascaded Variational Quantum Eigensolver mit einem Guided-Sampling-Ansatz und legt dabei die Fehlergrenzen sowie Leistungseinblicke für die Quantennützlichkeit in naher Zukunft auf Heavy-Hex-Gitter-Architekturen fest.

John P. T. Stenger, C. Stephen Hellberg, Daniel Gunlycke2026-04-29
⚛️ Quantenphysik

Quantum Error Correction Exploiting Quantum Spatial Distribution and Gauge Symmetry

Dieser Artikel schlägt ein Quantenfehlerkorrekturschema vor, das die Integration der quantenmechanischen räumlichen Verteilung und der Eichsymmetrie innerhalb eines Stabilisatorformalismus nutzt, um Resilienz gegen beliebige Spin-/Positionsdekoherenz und Dephasierung zu erreichen und gleichzeitig flexible, auf nächsten Nachbarn basierende Architekturen für logische Gatter und Fehlererkennung zu ermöglichen.

Ryo Asaka2026-04-29
⚛️ Quantenphysik

Quantum-Inspired Robust and Scalable SAR Object Classification

Dieser Artikel zeigt, dass Tensornetzwerke eine robuste und skalierbare Lösung für die Objektklassifizierung in synthetischen Apertur-Radardaten (SAR) bieten, die eine hohe Genauigkeit unter Bedingungen mit verrauschten und vergifteten Daten mit der für den Einsatz auf Edge-Geräten erforderlichen Modelleffizienz effektiv in Einklang bringt.

Maximilian Scharf, Marco Trenti, Felix Bock, Padraig Davidson, Tobias Brosch, Benjamin Rodrigues de Miranda, Sigurd Hube (…)2026-04-29
🔢 Mathematik

Pseudo-Hermiticity of the Nakajima-Zwanzig Projected Liouvillian in the Jaynes-Cummings Model

Dieser Beitrag löst die langjährige Anomalie des rein reellen Spektrums des nicht-hermiteschen, im Jaynes-Cummings-Modell projizierten Nakajima-Zwanzig-Liouvillians, indem er dessen Pseudo-Hermitizität unter einer positiv definiten Metrik nachweist, eine strukturelle Eigenschaft, die auch bei der Trunkierung des Bades erhalten bleibt und sich auf das vollständige Rabi-Modell mit re-entrantischen Ausnahmepunkt-Grenzen erstreckt.

Kejun Liu2026-04-29
⚛️ Quantenphysik

Proof of the Error Scaling for Universally Robust Dynamical Decoupling Sequences

Dieser Artikel liefert den ersten rigorosen mathematischen Beweis dafür, dass universell robuste (URnn) dynamische Entkopplungssequenzen mit geradem nn eine Fehlerunterdrückung hoher Ordnung mit der Skalierung 1−F=O(ϵn)1-F=O(\epsilon^n) erreichen, indem er die notwendigen und hinreichenden Bedingungen für die Koeffizientenstreichung in einer fidelitätsbezogenen Reihenentwicklung herleitet und verifiziert.

Domenico D'Alessandro, Phattharaporn Singkanipa, Daniel Lidar2026-04-29
🔬 Angewandte Physik

A unified quantum random walk model for internal crystal effects in dynamical diffraction

Dieser Artikel stellt ein vereinheitlichtes Modell quantenmechanischer Zufallsläufe vor, das alle etablierten dynamischen Beugungseffekte in perfekten Kristallen, einschließlich komplexer interner Störungen wie Temperaturgradienten und geneigter Flächen, erfolgreich nachbildet und damit einen umfassenden Rahmen für die Analyse und den Entwurf von Neutroneninterferometern und optischen Komponenten der nächsten Generation schafft.

Owen Lailey, Dusan Sarenac, David G. Cory, Michael G. Huber, Dmitry A. Pushin2026-04-29
⚛️ Quantenphysik

A Quantum Spectral Framework for Solving PDEs

Dieser Beitrag stellt ein neuartiges Quantenframework vor, das Quanten-Block-Encoding und reversible Arithmetik nutzt, um durch Ausnutzung struktureller Eigenschaften im Fourier-Raum effizient lineare PDEs zweiter Ordnung zu lösen, und bietet damit eine spezialisierte Alternative zu herkömmlichen Quanten-Matrixinversionsverfahren, die zugleich eine Grundlage für die Bewältigung hochdimensionaler und nichtlinearer Probleme bildet.

Chih-Kang Huang, Giacomo Antonioli, Frédéric Barbaresco2026-04-29
⚛️ Quantenphysik

Quantum limit cycles with continuous symmetries from coherent parametric driving: exact solutions and many-body extensions

Dieser Artikel stellt exakt lösbare Vielmoden-Bosonenmodelle vor, die durch kohärente parametrische Kräfte angetrieben werden und Quantengrenzzyklen mit kontinuierlichen O(N)-Symmetrien realisieren, wodurch ein einheitlicher Rahmen für das Verständnis symmetrieangereicherter Nichtgleichgewichtsphasen und deren potenzielle experimentelle Realisierung in quantenoptischen und supraleitenden Schaltkreisplattformen geboten wird.

Sihan Chen, Aashish A. Clerk2026-04-29
⚛️ Quantenphysik

QCalEval: Benchmarking Vision-Language Models for Quantum Calibration Plot Understanding

Dieser Beitrag stellt QCalEval vor, den ersten Benchmark zur Evaluierung von Vision-Language-Modellen anhand von Quantenkalibrierungsdiagrammen, und zeigt auf, dass zwar fortschrittliche geschlossene Modelle und überwachtes Feinabstimmen die Leistung verbessern, jedoch erhebliche Lücken in den Fähigkeiten des multimodalen kontextbezogenen Lernens bestehen bleiben.

Shuxiang Cao, Zijian Zhang, Abhishek Agarwal, Grace Bratrud, Niyaz R. Beysengulov, Daniel C. Cole, Alejandro Gómez Friei (…)2026-04-29
🤖 KI

Attention-Based Deep Reinforcement Learning for Qubit Allocation in Modular Quantum Architectures

Dieser Artikel schlägt einen neuartigen Ansatz des Deep Reinforcement Learning vor, der Transformer-Encoder und Graph-Neuronale Netze integriert, um effizient Heuristiken für das Mapping logischer Qubits auf physikalische Kerne in modularen Quantenarchitekturen zu erlernen, wodurch die Kommunikation zwischen den Kernen minimiert und die Kompilierzeit im Vergleich zu Baseline-Methoden reduziert wird.

Enrico Russo, Maurizio Palesi, Davide Patti, Giuseppe Ascia, Vincenzo Catania2026-04-28