10579 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.
Die Autoren demonstrieren die Erzeugung von 12,1 ± 0,2 dB gequetschtem Licht aus einem PPLN-Wellenleiter-OPA, indem sie einen maschinenlerngesteuerten räumlichen Lichtmodulator einsetzen, um die Verluste durch räumliche Modenfehlanpassung zu minimieren und damit das bisherige Limit von 10 dB zu übertreffen.
Diese Arbeit stellt eine zusammengeführte Amplitudencodierung für Chebyshev-basierte Quanten-Kolmogorov-Arnold-Netzwerke vor, die die Anzahl der Schaltkreisausführungen durch einen minimalen Qubit-Overhead reduziert und dabei die Trainierbarkeit unter verschiedenen Simulationsbedingungen bewahrt.
Diese Arbeit stellt Q2NS vor, einen auf ns-3 basierenden, modularen Quantennetzwerksimulator, der durch die nahtlose Integration von Quanten- und klassischen Protokollen sowie flexible Zustandsdarstellungen eine effiziente und skalierbare Evaluierung von Quanteninternet-Architekturen ermöglicht.
Dieses Papier demonstriert die Implementierung von Quantum-Oblivious-Transfer und Quantum-Tokens auf derselben QKD-Hardware, um den Übergang zu vielseitigen Quantenkommunikationsnetzwerken zu ermöglichen.
Diese Arbeit präsentiert einen iterativen QUBO-basierten Ansatz zum Training von CNN-Klassifikatoren mittels Quantenannealing, der durch eingefrorene Faltungsfilter und ein quadratisches Surrogat gradientenbasierte Optimierung vermeidet und auf mehreren Bilddatensätzen wettbewerbsfähige Ergebnisse liefert.
Diese Arbeit stellt QAOA-Predictor vor, ein auf Graph Neural Networks basierendes Modell zur Vorhersage von Erfolgswahrscheinlichkeiten und minimalen Schichttiefen für LR-QAOA, um eine effiziente Fixed-Parameter-Optimierung ohne kostspielige Parameteroptimierung zu ermöglichen.
Die Autoren berichten über die erste experimentelle Beobachtung einer durch thermische Atombewegung induzierten Richtungsabhängigkeit der Superfluoreszenz in einem nicht-chiralen Wellenleiter, die durch die Steuerung der kollektiven Zerfallsrate kontrollierbar ist.
Die Autoren präsentieren QFlowNet, ein neuartiges Framework, das Generative Flow Networks mit Transformer-Architekturen kombiniert, um die Unitary-Synthese in der Quantencompilation effizient, schnell und mit einer hohen Vielfalt an Lösungen zu lösen.
Diese Arbeit zeigt, dass das zweidimensionale Rokhsar-Kivelson-Modell eine Klasse von exakten Stabilisator-Narben, sogenannte Subgitter-Narben, enthält, die trotz eines nicht-stabilisierenden Hamiltonians eine intrinsische Stabilisatorstruktur aufweisen, die Eigenzustandsthermalisierung verletzen und effizient mittels Clifford-Schaltkreisen präpariert werden können.
Diese Arbeit entwickelt geometrische Designprinzipien für Quantenneuronale Netze, die mittels des Kriteriums der fast vollständigen lokalen Selektivität (aCLS) zeigen, dass effektives Feature-Learning trainierbare, datenabhängige geometrische Deformationen erfordert, und verlagert den Designfokus von der bloßen Zustandsreichweite auf die kontrollierbare Geometrie.