量子物理探索着物质与能量在微观尺度上最奇妙的行为,从神秘的叠加态到跨越空间的纠缠现象,这一领域正不断重塑我们对现实世界的理解。Gist.Science 致力于让深奥的 arXiv 预印本变得触手可及,我们追踪该分类下发布的每一份最新预印本,并为其提供两种解读视角:既包含通俗易懂的科普解读,也涵盖保留核心细节的技术摘要。

无论您是希望快速掌握前沿动态的科研工作者,还是对宇宙奥秘充满好奇的普通读者,这里都能为您提供清晰的研究概览。我们梳理了 arXiv 上量子物理板块的最新成果,确保您能第一时间读懂科学界的最新突破。下方列出了该领域刚刚发布的最新论文及其摘要。

⚛️ quantum physics

Physics-Based versus Data-Driven Classification of Single-Photon Quantum Emitters from Sparse Autocorrelation Data

本文通过对顺序贝叶斯推断、Levenberg-Marquardt 拟合以及前馈神经网络在利用稀疏自相关数据进行单光子发射器分类方面的表现进行基准测试,证明了尽管没有哪种方法能在所有指标上都占据主导地位,但基于物理的方法与数据驱动的方法是互补的工具,在收敛速度、可解释性以及在不同光子统计特性下的鲁棒性方面各具优势。

Nhat Minh Nguyen, Md Shakhawath Hossain, Duc Anh Ngo, Chaohao Chen, Xiaoxue Xu, Toan Trong Tran, Carlo Bradac2026-08-21
🔬 applied physics

Physics-guided machine learning for sim-to-real calibration of NV diamond magnetometers

本文介绍了一种物理引导的混合机器学习框架,该框架通过将塞曼分裂嵌入学习流程中,以克服仿真与现实之间的失配以及数据稀缺问题,在校准用于鲁棒、自校准矢量磁力计的 NV 金刚石磁力计方面实现了 372 倍的精度提升。

Jonathan Daniel, Martin Y. Kim, Jesse Hernandez, Emanuel Suarez, Sangwoo Lee, Jinhee Lee, Je-Hyung Kim2026-08-21
⚛️ quantum physics

TT-net: Quantum Inspired Tensor Network Denoising in Conditional GANs

本文介绍了 TT-Net,这是一种量子启发式的条件生成对抗网络(GAN),它通过使用两切分张量列分解(two-cut Tensor Train decomposition)取代标准的逐通道奇异值分解(SVD)去噪,以利用跨通道信息,从而在各种噪声类型下实现了卓越的图像去噪性能,并揭示了对抗训练动态机制的新见解。

Michal A. Sterzel, Marko J. Rančić2026-08-21
🧬 biology

Resource-Efficient Bio-Molecular Docking on a NISQ-era Digital Quantum Computer

本文提出并实验验证了一种用于分子对接的资源高效型量子-经典混合框架,该框架将问题重新表述为最大顶点加权团任务,利用一种具有证明过的纯积态优化器的变分全基底编码策略,并在 IBM 量子计算机上展示了其可行性,以推进基于结构的药物设计。

Tianqi Chen, Adrian M. Mak, Jianguo Li, Jian Feng Kong, Chandra Verma, Sebastian Maurer-Stroh2026-08-21