⚛️ quantum physics
Merged amplitude encoding for Chebyshev quantum Kolmogorov--Arnold networks: trading qubits for circuit executions
本文提出了一种用于切比雪夫量子 Kolmogorov-Arnold 网络的合并振幅编码技术，通过以少量额外量子比特换取电路执行次数的显著减少，并通过数值实验证实了该方法在理想及噪声模拟条件下均保持了与原始架构相当的可训练性。
⚛️ Category
quant-ph
6879 篇论文
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
An Extensible Quantum Network Simulator Built on ns-3: Q2NS Design and Evaluation
本文介绍了基于 ns-3 构建的模块化可扩展量子网络模拟器 Q2NS，该模拟器通过统一插件接口支持多种量子态表示并实现经典与量子协议的紧密协同仿真，经基准测试验证其在计算效率和灵活性上优于现有工具。
⚛️ quantum physics
Toward multi-purpose quantum communication networks: from theory to protocol implementation
该研究通过在相同的量子密钥分发硬件上实现量子不经意传输和量子令牌协议，提出了一套从理论到实施的方法论，证明了向多用途量子通信网络过渡的可行性。
⚛️ quantum physics
Layer-wise QUBO-Based Training of CNN Classifiers for Quantum Annealing
本文提出了一种基于二次无约束二值优化（QUBO）的迭代框架，通过冻结卷积特征并仅优化全连接层，利用量子退火技术训练 CNN 分类器，在多个图像分类基准上实现了与经典梯度下降方法相当甚至更优的性能。
⚛️ quantum physics
QAOA-Predictor: Forecasting Success Probabilities and Minimal Depths for Efficient Fixed-Parameter Optimization
本文提出了一种基于图神经网络的 QAOA-Predictor 模型，能够根据问题图结构预测固定参数 QAOA 的成功概率和最小层数，从而在无需昂贵运行时优化的情况下实现高效的组合优化。
⚛️ quantum physics
Motion-induced directionality of collective emission in a non-chiral waveguide
该研究首次报道了在非手性波导中通过原子热运动与集体衰减速率的相互作用实现了高达 0.89 的可控集体发射方向性，并通过数值模拟揭示了这一运动诱导方向性的物理机制。
⚛️ quantum physics
QFlowNet: Fast, Diverse, and Efficient Unitary Synthesis with Generative Flow Networks
本文提出了 QFlowNet 框架，通过结合生成流网络（GFlowNet）与 Transformer 架构，利用稀疏奖励信号实现了快速、多样且高效的酉矩阵合成，在 3 量子比特基准测试中达到了 99.7% 的成功率。
⚛️ quantum physics
Exact stabilizer scars in two-dimensional lattice gauge theory
本文在二维 U(1) 晶格规范理论的罗赫萨尔 - 基尔森模型中识别出具有精确稳定子结构的子晶格疤痕态，揭示了晶格规范约束、量子多体疤痕与稳定子量子信息之间的直接联系，并展示了其经典可模拟性。
⚛️ quantum physics
From Reachability to Learnability: Geometric Design Principles for Quantum Neural Networks
该研究提出了量子神经网络的几何设计原则，通过引入几乎完全局部选择性（aCLS）准则，指出实现有效特征学习需具备数据与权重联合依赖的可控几何变形能力，从而将设计重点从状态可达性转向可学习的隐藏表示几何结构。
⚛️ quantum physics
Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study
该研究提出了一种利用互信息引导纠缠结构的量子启发式哈密顿量特征提取方法，并通过 GPU 加速模拟在 10 个 ADMET 基准测试中实现了优于经典基线的性能，证实了少量量子特征对模型预测具有显著的重要性贡献。