9306 articles
La physique quantique explore les mystères fascinants qui se cachent à l'échelle la plus infime de l'univers, là où les règles habituelles de la matière semblent disparaître. Ce domaine étudie comment les particules peuvent exister dans plusieurs états simultanément ou communiquer instantanément à travers de grandes distances, des phénomènes qui défient notre intuition quotidienne tout en fondant les technologies de demain.
Sur Gist.Science, nous suivons de près les nouvelles recherches publiées sur arXiv dans cette catégorie, en transformant chaque prépublication complexe en résumés clairs et accessibles. Que vous cherchiez une explication simple pour comprendre les bases ou une analyse technique approfondie, notre équipe traite chaque nouveau document dès sa parution pour le rendre intelligible à tous les niveaux d'expertise.
Découvrez ci-dessous la sélection des tout derniers articles traitant de mécanique quantique et de ses applications émergentes.
Cet article établit les conditions nécessaires et suffisantes pour la compatibilité entre un instrument quantique bruité et une mesure adverse, dérivant l'information maximale qu'un adversaire peut extraire de l'état d'un qubit en termes du bruit du dispositif de l'observateur pour des bases de mesure alignées et mutuellement non biaisées.
Le document présente Qupertino, un simulateur de circuits quantiques open-source pour Apple Silicon qui démontre comment des shaders Metal optimisés manuellement surpassent de manière significative les opérations de tableaux MLX purs, atteignant jusqu'à 95 fois plus de rapidité que les simulateurs existants basés sur CPU et GPU tout en maintenant une exactitude parfaite à travers diverses charges de travail quantiques.
Ce document présente AlchemQ v0.5, un système de preuve de concept qui assure la fiabilité de l'optimisation des circuits quantiques en couplant un optimiseur non fiable à une couche de certification vérifiable par machine qui génère, pour chaque sortie, des certificats d'équivalence autonomes et infalsifiables, garantissant ainsi que tous les circuits optimisés sont vérifiés pour leur exactitude et l'absence de régression.
Cet article établit une théorie d'entraînement non asymptotique pour les réseaux de neurones quantiques informés par la physique (QPINNs) résolvant des EDP elliptiques, prouvant que des circuits quantiques paramétrés suffisamment larges convergent via un flot de gradient vers un modèle de noyau tangent neuronal linéarisé avec des bornes explicites dépendant des paramètres du circuit et du domaine.
Cet article dérive une formule d'entropie d'intrication topologique pour un modèle de réseau tensoriel de la gravité en 3D qui satisfait l'invariance par difféomorphisme et inclut la matière, démontrant via la quantification canonique qu'elle correspond à la formule de la surface extrémale quantique pour une constante de Newton petite mais finie sans nécessiter de variétés de l'espace-temps symétriques par rapport au temps.
Cet article introduit un cadre de la théorie des champs de Keldysh sans réplique pour démontrer que les systèmes bosoniques libres sous surveillance continue subissent une transition de phase d'intrication induite par la mesure, passant d'une mise à l'échelle de type loi de volume à une loi logarithmique, pilotée par une restructuration spectrale non hermitienne qui déclenche une condensation dynamique dans des modes à longue durée de vie.
Cet article présente un cadre de Monte Carlo par intégrale de chemin sans signe pour les doubles de Kitaev qui utilise des symétries de 1-forme non inversibles et une isométrie de matérialisation pour démontrer numériquement des transitions du premier ordre pilotées par la condensation d'anyons non abéliens et le confinement dans des théories de gauge-Higgs .
Cet article démontre la plus grande expérience d'apprentissage automatique quantique à ce jour en utilisant un recuiseur quantique supraconducteur de 4 500 qubits avec une dynamique de recuit inverse non entraînée pour traiter avec succès des données temporelles et prévoir des séries temporelles chaotiques, établissant ainsi les recuiseurs quantiques comme une plateforme évolutive pour l'apprentissage automatique quantique à grande échelle.
Ce document propose un cadre d'optimisation intrinsèque basé sur un Transformer qui apprend à prédire les mises à jour des paramètres de l'algorithme QAOA en traitant la structure du problème et l'historique de l'optimisation, remplaçant ainsi l'optimisation classique coûteuse et spécifique à chaque instance par une politique amortie et transférable qui améliore les performances hybrides quantiques-classiques sur les benchmarks MaxCut.
Cet article établit un cadre évolutif pour simuler la dynamique quantique dans les systèmes moléculaires et de la matière condensée sur un matériel quantique topologique tolérant aux fautes en exploitant les statistiques d'anyons non-abéliens et l'algorithme de Solovay-Kitaev pour approximer les propagateurs unitaires à travers une hiérarchie de problèmes complexes de physique chimique.