On Emergences of Non-Classical Statistical Characteristics in Classical Neural Networks

本文提出了一种名为 NCnet 的经典神经网络架构,发现其通过隐藏层神经元的梯度竞争和局部损失振荡,能在训练过程中产生类似量子非局域性的非经典统计特征(CHSH 不等式 SS 值),且该特征在模型容量不足时与泛化性能呈正相关,为理解深度网络的内部交互与训练动力学提供了新视角。

Hanyu Zhao, Yang Wu, Yuexian Hou2026-03-06⚛️ quant-ph

Quantum State Certification via Effective Parent Hamiltonians from Local Measurement Data

该研究提出了一种基于局部测量数据构建有效母哈密顿量的无层析量子态认证方法,并在 IBM 量子硬件上成功实现了对多达 13 个量子比特的 Dicke 态(包括 W 态)的保真度下界估计及多体纠缠认证。

Guy-Philippe Nadon, Guanyi Heng, Pacôme Gasnier, Antoine Lemelin, Camille Coti, Zeljko Zilic, Mikko Möttönen, Ville Kotovirta, Toni Annala, Ernesto Campos, Jacob Biamonte2026-03-06⚛️ quant-ph

Towards Predictive Quantum Algorithmic Performance: Modeling Time-Correlated Noise at Scale

本文通过结合张量网络技术与量子自回归移动平均模型,揭示了时间相关噪声的频谱特征如何决定量子算法(如量子傅里叶变换)的保真度衰退指数,并证明了利用中等规模(40-80 量子比特)的模拟数据即可准确预测大规模(100-128 量子比特)电路在硬件相关噪声下的性能,从而为建立连接模拟与实验的预测性基准测试协议奠定了基础。

Amit Jamadagni, Gregory Quiroz, Eugene Dumitrescu2026-03-06⚛️ quant-ph

Tight inapproximability of max-LINSAT and implications for decoded quantum interferometry

本文通过从哈斯塔德定理的直接归约,证明了在 PNP\mathsf{P} \neq \mathsf{NP} 假设下最大线性约束满足问题(max-LINSAT)的近似难度存在紧确下界(即随机赋值比率 r/qr/q),并揭示了该界限与解码量子干涉测量(DQI)在解码半径趋于零时的性能退化相吻合,从而划定了最坏情况计算难度与潜在量子优势之间的边界。

Maximilian J. Kramer, Carsten Schubert, Jens Eisert2026-03-06⚛️ quant-ph