Dynamical decoupling and quantum error correction with SU(d) symmetries
本文基于李群表示论构建了适用于任意维量子系统(qudits)的通用动力学解耦框架,通过系统识别 SU(d) 有限子群来设计脉冲序列,并揭示了该对称性框架在统一动力学解耦与量子纠错编码方面的普适性。
10435 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。
本文基于李群表示论构建了适用于任意维量子系统(qudits)的通用动力学解耦框架,通过系统识别 SU(d) 有限子群来设计脉冲序列,并揭示了该对称性框架在统一动力学解耦与量子纠错编码方面的普适性。
本文利用精确 WKB 框架和重求和技术,系统研究了非厄米反三重势阱中的 PT 对称性破缺、共振与反共振系统,通过构建中值求和量子化条件揭示了其能谱特性、异常点机制及与非厄米路径积分瞬子构型的内在联系。
本文提出了一种混合量子 - 经典算法,通过经典对角化已知矩阵项并构建哈密顿量的块编码,结合量子奇异值变换框架高效模拟哈密顿量演化,并探讨了其在可交换情形下的扩展性及随机截断技术在量子态制备中的应用。
该研究利用 Thirring 模型中的费米子散射密度分布作为代理,通过分类任务评估量子卷积神经网络(QCNN)在识别粒子散射纠缠方面的表现,发现小型 4 量子比特 QCNN 模型在准确性、收敛速度和稳定性上均优于或媲美经典 CNN,表明在量子机器学习中优化编码与可训练性比单纯扩大模型规模更为关键。
该论文通过受控实验研究了混合量子神经网络在固定量子比特数下增加层数、以及在固定层数下增加量子比特数时的性能与量子特性(如 QCE、EEE、QGN)的缩放规律,揭示了预测性能与量子指标随规模变化的趋势及饱和机制,并为混合 QNN 分类器的参数选择提供了实践指导。
本文通过分析一个可精确求解的玻色子模型,并利用将环境谱函数离散化为多个反应坐标的弱耦合微扰方法,揭示了带隙环境中束缚态的稳定性机制及其在弱相互作用下寿命有限但可通过增强耦合而延长的特性。
该论文提出了一种基于固定未训练量子电路和切比雪夫特征编码的硬件高效量子储层计算框架,通过遗传搜索优化架构并结合后训练定点量化技术,在 Tetouan 城市电力负荷预测任务中,以 6 至 8 位量化在保持预测精度损失不超过 1% 的同时显著降低了读出门的内存占用,从而提升了资源受限边缘场景下的部署实用性。
该论文提出了首个针对玻色多体系统(如 Bose-Hubbard 模型)的严格吉布斯采样框架,通过证明其耗散生成子具有能隙,实现了在量子计算机上高效制备热态并计算热力学性质,从而为无限维系统的吉布斯采样提供了首个数学可控的解决途径。
该论文通过利用量子傅里叶变换对角化平移对称性的特性,构建了像素平移等变的量子卷积神经网络(QCNN),并证明了其在深度扩展下能避免梯度消失( barren plateau)问题。
该论文提出了一种基于非变分量子优化(Iterative-QAOA)的泛基因组引导序列组装新方法,通过引入高阶二进制优化(HUBO)编码和定制电路编译策略,有效降低了变量规模与硬件开销,并在模拟及 IBM 量子硬件上验证了其在解决 NP 难组装瓶颈问题上的可行性。