10807 papers
De wereld van kwantumfysica onderzoekt hoe materie en energie zich gedragen op het allerkleinste niveau, waar de regels van onze dagelijkse ervaring niet meer gelden. Op Gist.Science maken we de complexe inzichten uit dit fascinerende veld toegankelijk voor iedereen, van geïnteresseerde leken tot experts. We halen de moeilijkheidsgraad eruit zonder de wetenschappelijke diepgang te verliezen.
Elke nieuwe preprint in deze categorie komt rechtstreeks van arXiv. Ons team verwerkt elk document direct na publicatie en biedt zowel een begrijpelijke samenvatting in gewone taal als een gedetailleerde technische analyse. Hierdoor blijft u altijd up-to-date met de nieuwste doorbraken zonder vast te lopen in jargon. Hieronder vindt u de meest recente papers binnen dit dynamische onderzoeksgebied.
Dit artikel introduceert eindige Gaussische assistentieprotocollen en een multimode conische metriek-framework om ruimtelijke vacuümverstrengeling te optimaliseren, wat de hoogst bekende ondergrens oplevert voor Gaussische verstrengeling van assistentie en de laagst bekende bovengrens voor Gaussische verstrengeling van formatie in vrije scalaire velden.
Dit artikel demonstreert experimenteel hoogwaardige, op hyperfijnniveau selectieve metingen van individuele neutrale cesiumatomen door simultane laserkoeling op een verboden transitie te combineren met achtergrondvrije beeldvorming, waarbij een detectiefidelity van 0,9993 wordt bereikt terwijl herhaalde, verliezingsarme toestandsmetingen mogelijk worden gemaakt.
Dit artikel stelt een nieuwe kwantumrouteringsaanpak voor die grafencomplementstrategieën gebruikt om directe verstrengeling tussen afgelegen knooppunten te vestigen, waardoor de rekenintensieve padvindoverhead die inherent is aan traditionele methoden wordt omzeild om de netwerkflexibiliteit en -efficiëntie te verbeteren.
Dit artikel stelt een algoritme met polynomiale tijd voor dat het NP-volledige probleem oplost van het extraheren van zowel verre EPR-paren als n-qubit GHZ-toestanden uit generieke grafentoestanden, waardoor dynamische, on-demand verstrengelingsdistributie in kwantumnetwerken mogelijk wordt.
Dit artikel onderzoekt symmetrie-opgeloste echte multi-entropie in Haar-willekeurige en willekeurige graaftoestanden met behouden grootheden, waarbij expliciete thermodynamische limietformules voor de eerste worden afgeleid en numerieke analyses worden gebruikt om onderscheidende multi-partiete verstrengelingskenmerken in de laatste te onthullen vergeleken met het Haar-willekeurige geval.
Dit artikel introduceert Superpositional Gradient Descent (SGD), een nieuwe hybride kwantum-klassieke optimizer die gebruikmaakt van kwantumsuperpositie en circuitperturbaties om snellere convergentie en een lagere loss te bereiken dan AdamW bij zowel synthetische als grootschalige taalmodeltraining, ondanks de huidige beperkingen in hardware-schaalbaarheid.
Het artikel stelt HyRLQAS voor, een hybride actie-reinforcement learning-framework dat discrete zoektochten naar circuitstructuren verenigt met continue parameteroptimalisatie om automatisch variationele kwantumcircuits te ontwerpen die chemische nauwkeurigheid bereiken met minder poorten en snellere convergentie.
Dit artikel leidt exacte, uitkomst-opgeloste informatiebehoudrelaties af voor multilevel, vervallende kwantumsystemen onder continue zwakke monitoring en de omkering daarvan, waarmee kwantitatieve afruilrelaties wordt vastgesteld die het begrip van informatiestroom in open kwantumdynamica verenigen.
Dit artikel introduceert QVerifier, een formele verificatiemethode die gebruikmaakt van probabilistisch model checking om de veiligheid en ruisbestendigheid van getrainde Quantum Reinforcement Learning-policies rigoureus te analyseren vóór implementatie, waarmee het kritieke gebrek aan systematische instrumenten aanpakt om hun betrouwbaarheid onder kwantumhardware-onzekerheden te waarborgen.
Dit artikel toont aan dat een kwantum neuraal netwerk effectief bewolking kan parametriseren voor aardse systeemmodellen, waarbij het prestaties bereikt die vergelijkbaar zijn met klassieke neurale netwerken met vergelijkbare parameters, terwijl het traditionele schema's overtreft en meer consistente leerrelaties vertoont.