6120 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 presenta gli "Excited Pfaffians", un'architettura di reti neurali che, combinata con il campionamento di importanza multi-stato, permette di rappresentare efficientemente e con alta precisione molteplici stati eccitati e superfici di energia potenziale in un'unica funzione d'onda, superando i limiti computazionali dei metodi precedenti.
Questo articolo presenta il linguaggio Qutes, che fonda la semantica dei programmi quantistici su un modello di "uncomputation" guidato dalla liveness e dal scope, garantendo la correttezza compositiva, riducendo la profondità dei circuiti e definendo formalmente le regole per il riutilizzo degli ancilla e la gestione dei parametri.
Questo studio utilizza risonatori superconduttori per caratterizzare le eccitazioni magnetiche in film sottili epitassiali di TbInO₃, rivelando una frustrazione estrema e identificando la natura dello stato fondamentale di questo candidato di liquido di spin quantistico.
Questo studio valuta l'efficacia dei "gemelli digitali" basati su dati di calibrazione CSV nel replicare i risultati dell'hardware quantistico IBM, dimostrando che tale approccio offre una corrispondenza superiore rispetto ad altri metodi, pur richiedendo una validazione specifica per dispositivo e configurazione di transpilazione.
Il paper fornisce caratterizzazioni esatte e ottimali dell'informazione mutua quantistica e di altre entropie, trasformando le loro definizioni in somme convergenti di termini esplicitamente costruiti che dimostrano direttamente le proprietà di positività e convessità.
Questo articolo presenta un framework basato su una rete neurale convoluzionale unidimensionale (1D-CNN) che ottimizza l'analisi in tempo reale dei dati di risonanza magnetica otticamente rilevata (ODMR) dei centri azoto-vacanza nel diamante, offrendo maggiore velocità, accuratezza e robustezza rispetto ai metodi di fitting non lineare convenzionali, specialmente in condizioni di basso rapporto segnale-rumore.
Questo studio analizza quantitativamente come l'effetto di walk-off del pompa nella conversione parametrica spontanea viola la conservazione del momento angolare orbitale (OAM) e dimostra come tale effetto possa essere sfruttato per ingegnerizzare stati quantistici entangled in OAM, fornendo linee guida per esperimenti reali.
Questo lavoro estende con successo l'approccio di backflow delle reti neurali ai materiali solidi *ab-initio*, introducendo una strategia di potatura a due stadi che garantisce scalabilità e stato dell'arte nella precisione per sistemi periodici complessi come catene di idrogeno, grafene e silicio.
Lo studio dimostra che l'uso di funzioni d'onda di prova adattate alla simmetria è essenziale per ottenere accuratezza quantitativa nel modello di Hubbard su reticolo triangolare tramite il metodo Monte Carlo a cammino vincolato, rendendo questo approccio una soluzione pratica ed efficiente per indagare stati fondamentali in sistemi fortemente correlati e frustrati.
Il documento presenta la Distillazione della Conoscenza Potenziata Quantisticamente Fotonica (PQKD), un framework ibrido che sfrutta la casualità intrinseca dei processori fotonici per guidare l'addestramento di reti neurali studentesse parametricamente efficienti, ottenendo una compressione controllata con prestazioni vicine a quelle dei modelli insegnante su diversi dataset di benchmark.