9306 articoli
La meccanica quantistica e la fisica delle particelle, racchiuse nella categoria "Quant-Ph", esplorano le regole fondamentali che governano l'universo a scale incredibilmente piccole, dove la realtà sfida la nostra intuizione quotidiana. Questi studi indagano fenomeni misteriosi come l'entanglement e la sovrapposizione, gettando luce su come funzionano gli atomi e le forze che plasmano la materia stessa.
Su Gist.Science, elaboriamo sistematicamente ogni nuovo preprint inviato a arXiv in questo settore, trasformando ricerche complesse in contenuti comprensibili. Offriamo sia riassunti tecnici dettagliati per gli esperti sia spiegazioni in linguaggio semplice, rendendo le scoperte più recenti accessibili a tutti.
Di seguito troverete l'elenco degli ultimi articoli pubblicati in questo affascinante campo di studio.
Questo articolo stabilisce le condizioni necessarie e sufficienti per la compatibilità tra un strumento quantistico rumoroso e una misurazione avversaria, derivando l'informazione massima che un avversario può estrarre dallo stato di un qubit in termini del rumore del dispositivo dell'osservatore sia per basi di misurazione allineate che mutuamente unbiased.
Il documento presenta Qupertino, un simulatore di circuiti quantistici open-source per Apple Silicon che dimostra come gli shader Metal ottimizzati manualmente superino significativamente le operazioni su array MLX pure, ottenendo accelerazioni fino a 95x rispetto agli esistenti simulatori basati su CPU e GPU pur mantenendo l'esatta correttezza attraverso diversi carichi di lavoro quantistici.
Questo articolo introduce AlchemQ v0.5, un sistema di prova di concetto che garantisce l'affidabilità dell'ottimizzazione dei circuiti quantistici accoppiando un ottimizzatore non fidato con uno strato di certificazione verificabile da una macchina che genera certificati di equivalenza autosufficienti e a prova di manomissione per ogni output, garantendo così che tutti i circuiti ottimizzati siano verificati per correttezza e assenza di regressione.
Questo articolo stabilisce una teoria di addestramento non asintotica per le reti neurali informate dalla fisica quantistica (QPINN) che risolvono PDE ellittiche, dimostrando che circuiti quantistici parametrizzati sufficientemente ampi convergono tramite il flusso del gradiente verso un modello di kernel neural tangent linearizzato con espliciti limiti dipendenti dai parametri del circuito e del dominio.
Questo articolo deriva una formula dell'entropia di entanglement topologica per un modello di rete tensoriale di gravità 3D che soddisfa l'invarianza per diffeomorfismo e include la materia, dimostrando tramite quantizzazione canonica che essa coincide con la formula della superficie estrema quantistica per una costante di Newton piccola ma finita senza richiedere spazi-tempi simmetrici rispetto al tempo.
Questo articolo introduce un quadro teorico di campo di Keldysh privo di repliche per dimostrare che i sistemi bosonici liberi monitorati continuamente subiscono una transizione di fase dell'entanglement indotta dalla misura da una scalatura volume-law a una logaritmica, guidata da una ristrutturazione spettrale non ermitiana che innesca la condensazione dinamica in modi a lunga durata.
Questo articolo presenta un framework Monte Carlo a cammino integrale privo di segno per i doppi quantistici di Kitaev che utilizza simmetrie di 1-forma non invertibili e un'isometria di materiazione per dimostrare numericamente transizioni del primo ordine guidate dalla condensazione di anyoni non abeliani e dal confinamento in teorie di gauge-Higgs con .
Questo articolo dimostra il più grande esperimento di apprendimento automatico quantistico ad oggi, utilizzando un annealer quantistico superconduttore a 4.500 qubit con dinamiche di reverse-annealing non addestrate per elaborare con successo dati temporali e prevedere serie temporali caotiche, stabilendo così gli annealer quantistici come una piattaforma scalabile per l'apprendimento automatico quantistico su larga scala.
Questo articolo propone un framework di ottimizzazione intrinseca basato su Transformer che apprende a predire gli aggiornamenti dei parametri QAOA elaborando la struttura del problema e la storia dell'ottimizzazione, sostituendo così l'costosa ottimizzazione classica specifica per ogni istanza con una politica ammortizzata e trasferibile che migliora le prestazioni ibride quantistico-classiche su benchmark MaxCut.
Questo articolo stabilisce un framework scalabile per simulare la dinamica quantistica in sistemi molecolari e della materia condensata su hardware quantistico topologico fault-tolerant, sfruttando la statistica degli anyoni non-abeliani e l'algoritmo di Solovay-Kitaev per approssimare i propagatori unitari attraverso una gerarchia di complessi problemi di fisica chimica.