6146 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.
Deze studie toont aan dat hoewel verbindingsloze sequentiële verstrengelingswisseling in huidige kwantumhardware aanzienlijke prestatieverliezen lijdt door geheugendecoherentie, deze beperkingen niet fundamenteel zijn en kunnen worden overwonnen naarmate de coherentietijden van het geheugen verbeteren ten opzichte van de latenties bij het heralderen van verstrengeling.
Dit artikel introduceert FTPrimitiveBench, een systematische benchmarksuite die evalueert hoe logische kwantumberekeningsprimitieven interageren met diverse, door hardware gemotiveerde ruismodellen die verder gaan dan de standaarduniforme depolariserende aanname, waardoor reproduceerbare studies voor hardwarebewuste co-ontwerp van fouttolerante architecturen mogelijk worden.
Dit artikel stelt vast dat elke -qubit unitaire transformatie zowel bij benadering als exact kan worden geïmplementeerd met een query- of dieptecomplexiteit van aan de hand van op Grover-zoekopdrachten gebaseerde reducties, terwijl tegelijkertijd een overeenkomstige ondergrens van voor deze specifieke implementatieklassen wordt bewezen.
Dit artikel introduceert een toestandsonafhankelijke quotiëntprocedure op het Cayley-graf van de Clifford-groep om gereduceerde grafen te construeren die de banen van zowel stabilisator- als niet-stabilisatortoestanden onder Clifford-poortacties nauwkeurig weergeven, waardoor eerdere bereikbaarheidsresultaten worden gegeneraliseerd en dieper inzicht wordt geboden in toestandsontwikkeling.
Dit artikel karakteriseert de meest algemene quasi-vrije Markoviaanse dynamische semigruppen voor eindig-dimensionale quantum-klassieke hybride systemen door een quantumgeneralisatie van de Lévy-Khintchine-formule te bieden die Gaussische en sprongbijdragen verenigt, waardoor de continue-tijdsextractie van informatie uit quantum-systemen via klassieke waarnemingen mogelijk wordt gemaakt en tegelijkertijd de noodzakelijke rol van dissipatie in dergelijke interacties wordt verduidelijkt.
Dit artikel introduceert een nieuwe tensornetwerkgebaseerde aanpak om het HHL-algoritme efficiënt te simuleren in de qudit-formalism, waarbij de prestaties worden gebenchmarkt tegen exacte inversie en Qiskit-implementaties, terwijl de gevoeligheid voor hyperparameters wordt geanalyseerd om een ruisvrije bovengrens voor de computationele efficiëntie van het algoritme vast te stellen.
Met behulp van ab initio kwantum-Monte-Carlo-simulaties toont dit onderzoek aan dat het ruimtelijke dichtheidsprofiel op lange tijdschalen van een Lieb-Liniger-gas na een geometrische quench direct de onderliggende Bethe-rapiditeitsverdeling van het systeem codeert, waardoor ballistische expansie wordt gevestigd als een praktische methode voor het in kaart brengen van structuren in de impulsruimte naar waarneembare grootheden in de reële ruimte.
Dit artikel presenteert een wiskundig strikt raamwerk voor de Markoviaanse dynamica van kwantum/klassieke hybride systemen met behulp van gekoppelde stochastische differentiaalvergelijkingen, waarbij wordt aangetoond dat informatieoverdracht van het kwantum- naar het klassieke component dissipatie vereist en een verbinding wordt gelegd met een hybride dynamische semigroep die kwantum- en klassieke evolutievergelijkingen verenigt.
Dit artikel evalueert de toepasbaarheid, haalbaarheid en schaalbaarheid van door kwantummechanica geïnspireerde tensornetwerk-algoritmen voor industriële use-cases door bestaande literatuur te reviewen en potentiële toepassingen samen met hun inherente beperkingen te analyseren.
Dit artikel introduceert een reeks op tensornetwerken gebaseerde algoritmen voor anomaliedetectie die Tensor Train-datacompressie benutten om normale datastructuren te behouden terwijl anomalieën worden geëlimineerd, en toont hun effectiviteit aan op datasets voor cijfers, gezichten en cyberveiligheid.