quantum physics
PulseAugur coverage of quantum physics — every cluster mentioning quantum physics across labs, papers, and developer communities, ranked by signal.
- instance of Quantum Machine Learning 70%
- instance of ScienceCast 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- instance of CatalyzeX Code Finder for Papers 70%
- instance of Gotit.pub 60%
- instance of alphaXiv 60%
- used by Quantum Machine Learning 60%
- instance of CORE Recommender 60%
- affiliated with Gotit.pub 50%
- affiliated with ScienceCast 50%
12 天有情绪数据
-
研究发现：量子模型可为人工智能世界模型提供完美对齐
一篇新发表在arXiv上的论文探讨了人工智能中经典世界模型的局限性，特别是在需要大量内存的复杂环境中。研究表明，即使增加了内存，经典模型也可能无法准确区分动作或一致地估计奖励，从而导致次优的代理策略。相比之下，该论文提出，利用单个qutrit的量子世界模型可以完美复制这些复杂环境，确保现实世界和虚拟世界代理策略之间的最佳对齐。
-
博客文章声称300年科学范式停滞不前，提出电流新理论
一篇发布于2026年8月19日的博客文章认为，已有300年历史的牛顿范式在科学认识上造成了一个“滞后回线”，导致了宇宙学和量子物理学等领域的停滞。作者认为，真正的科学突破需要一种合乎道德、无私的方法，并将其与现代科学界仅仅关注计算的现状进行对比。文章还提出了一个新的电流理论，认为电流不仅仅是电子流动，而是一种代表导电介质中变形和记忆的“滞后波”。
-
ShadowNet 以数据驱动的方法推进量子系统学习
研究人员推出了一种新颖的数据驱动学习范式 ShadowNet，旨在克服现有方法在理解大型量子系统方面的局限性。该方法将神经网络协议与经典阴影相结合，解决了数据收集计算量大以及无法提炼先验数据知识等问题。ShadowNet 采用卷积和注意力机制实现，已在多达 60 个量子比特的系统上证明了其在量子态层析成像和直接保真度估计方面的有效性，显示出理解复杂量子系统的潜力。
-
量子示例在学习方面比经典示例具有明显的优势
研究人员在PAC学习框架中展示了量子示例和经典示例之间的区分。他们使用一个假设的预言机，证明了能够访问量子示例的量子学习者可以有效地学习某些仅使用经典示例的量子学习者无法学习的分布。这项工作在回答量子示例是否在机器学习任务中比经典示例具有明显优势的问题上取得了进展。
-
新型量子GAN 'CoQui' 提升图像生成质量
研究人员开发了CoQui，一种新颖的坐标条件量子隐式生成对抗网络（QGAN），用于端到端图像生成。这种新方法通过将图像生成重新表述为隐式函数学习来解决现有QGAN的局限性，其中空间坐标和潜在变量是用于生成变分量子电路参数的经典嵌入网络的输入。该方法直接从颜色量子比特的期望值中获得像素强度，将图像分辨率与量子比特要求解耦，并避免了像素之间的概率竞争。实验表明，CoQui在视觉和定量质量上均优于现有的基于FRQI的生成和PQWGAN等方法…
-
量子协调为AI状态跟踪任务提供理论优势
一篇新的研究论文探讨了量子协调在AI状态跟踪任务中的潜在优势。该研究提出了一种将语义历史压缩到未来可访问边界状态的方法，然后可用于回答查询。该论文详细介绍了量子与经典方法在特定应用（如摘要问答和持续需求审计）之间的理论分离，并强调了量子记忆相对于经典求解器具有显著优势的场景。
-
Quantum-Embedded Attention 模型在经典数据集上未显示出一致优势
研究人员调查了一种混合量子-经典模型 Quantum-Embedded Attention (QEA) 在经典数据集上进行跨模态分类的性能。该研究旨在确定参数化量子电路 (PQC) 是否能与具有相同输入和输出维度的经典映射相比，提高准确性或稳定性。在包括乳腺癌 Wisconsin 和 CIFAR-10 在内的多个数据集上，结果并未一致显示出量子优势，在某些情况下，量子模型的表现甚至更差。研究结果表明，在将混合模型中的性能提升归因于量子…
-
量子方法增强AI模型量化
研究人员开发了一种名为量子随机访问量化（QRAQ）的新型量子方法，以改进AI模型的后训练量化。该方法将依赖于上下文的符号编码到量子随机访问码中，从而实现模型权重的特定于上下文的二进制表示。QRAQ旨在克服传统单比特量化的局限性，即所有部署上下文必须共享相同的二进制权重矩阵，当不同上下文的最佳符号不同时，这可能导致较低的重建风险。
-
量子生成模型通过经典随机性获得表示能力
研究人员已经证明，将共享经典随机性纳入量子生成模型可以使它们比纯粹的单一模型代表更广泛的分布，即使在浅层电路深度下也是如此。这一发现解决了关于这种随机性是否为大型系统提供可证明分离的长期问题。研究表明，通过将由单个随机比特控制的局部 Pauli 运算添加到浅层单一电路中，通道模型可以生成浅层单一模型无法通过有界连接重现的远程相关性。
-
量子物理方法增强经典时间序列分析
研究人员开发了QARIMA，一个将量子物理原理应用于经典时间序列分析的新框架。该方法将核心ARIMA建模组件重构为量子兼容模块，包括量子差分、量子自相关函数（QACF）以及基于状态相似性的AR和MA系数估计。在各种数据集上进行评估，QARIMA与经典ARIMA基线相比，在预测性能上表现出竞争力，有时甚至更优，同时保持了原始方法的可解释性和模块化。
-
新检验探测大脑表征中的量子效应
研究人员提出了一种通过检查神经表征的结构来测试大脑中量子效应的新方法。该方法使用自编码器作为模型系统，并在潜在空间中引入了贝尔型一致性检验。该检验旨在确定来自多个读出上下文的解码统计数据是否可以用单一的、正的潜在变量分布来解释，从而在不假设特定微观动力学的情况下探测神经计算的基本物理学。
-
综述论文详述混合量子神经网络以用于近期量子技术
一篇新发表在arXiv上的综述论文详细介绍了混合量子神经网络的理论、实现和应用。这些网络将经典神经网络组件与量子信息处理单元相结合，为近期的量子技术提供了一个实用的框架。虽然尚未展示出大规模的量子优势，但理论工作表明在某些任务上具有可证明的优势，并且实际应用已通过紧凑的量子组件和更少的训练参数显示出有希望的结果。
-
神经网络用单比特模拟量子测量
研究人员开发了一种神经网络程序，使用单个经典比特来模拟量子测量，这比之前确定的双比特要求有了显著的减少。该方法在特定测量族（特别是那些具有均匀加权和对称性的，如正多面体）方面表现出高平均精度。该研究推导了一个解析协议，该协议在有限信息完备对称配置方面实现了高精度，并在连续各向同性测量极限下变得精确。
-
AI科学家OmniQEC发现实用的量子纠错码
研究人员开发了OmniQEC，一个旨在发现实用量子纠错码（QEC）的AI科学家，用于量子计算。OmniQEC利用大型语言模型协调代码生成、筛选和电路评估，采用快速循环进行初步探索，慢速循环进行详细的物理评估。这种AI驱动的方法已成功识别出优于现有BB码的QEC码，随着物理量子比特预算的增加，显示出改进的逻辑错误抑制能力，并为QEC实现提供了硬件友好的解决方案。
-
受量子启发的卷积神经网络在医学影像方面与经典卷积神经网络相比表现不一
研究人员比较了混合受量子启发的卷积神经网络 (HQiCNN) 与标准卷积神经网络 (CNN) 在医学图像分类方面的性能和可解释性。研究发现，在所有条件下，两种架构均未持续优于另一种；HQiCNN 在中等数据量下表现出优势，而 CNN 在大型数据集上表现更佳。移除量子电路中的纠缠在不牺牲性能的情况下提高了可扩展性，并且更丰富的可观测集仅在有足够训练数据的情况下才显示出优势。开发了新的基于 SHAP 的工具来确认两种模型都关注解剖学上相关的区域。
-
量子计算研究探索电路优化和PQC性能
两篇新研究论文探讨了量子计算的进展，重点关注电路优化和性能的不同方面。第一篇论文介绍了一种神经引导采样方法，用于减少量子电路在转译后的复杂性，与现有的Qiskit和BQSKit优化级别相比，效率更高。第二篇论文研究了深度参数化量子电路（PQC），发现它们可以表现出双下降行为，随着模型尺寸的增加，在未见过的数据上性能得到改善，为量子机器学习提供了谨慎乐观的前景。
-
专为NISQ时代设计的新型量子图学习架构
研究人员开发了一种新颖的量子图卷积架构，该架构专为嘈杂中等规模量子（NISQ）时代的无监督学习而设计。该方法利用变分量子特征提取层，并结合受量子交替算子近似（QAOA）启发的边缘局部和量子比特高效量子消息传递机制。通过将消息传递分解为成对交互，该设计显著减少了量子比特需求，使其在当前的量子设备上可行。在Cora引文网络等数据集上的实验表明，与现有的量子和混合方法相比，该方法具有竞争力。
-
IBM 硬件上量子核几何存活率测试
研究人员在 IBM 量子硬件上研究了四量子比特量子核内几何信息的存活情况。该研究聚焦于一种特定的冻结 ZZ 特征映射核，并分析了其在三种执行配置下的性能：基线、动力学解耦和门旋转。结果表明，虽然格拉姆矩阵在执行后普遍存活并能在很大程度上保留状态向量几何，但门旋转被证明是最忠实的方法。然而，最忠实配置与目标标签的对齐度最低，这表明在当前的量子机器学习研究中，实现保真度与任务相关性之间存在脱节。
-
新的q-POMDP和GNN框架应对量子网络路由挑战
研究人员开发了一种新颖的量子网络路由框架，以应对退相干和时变条件等挑战。该方法结合了量子部分可观察马尔可夫决策过程（q-POMDP）和带可行性掩码的图神经网络（GNN）。该系统维护一个经典的信念状态来评估动作并更新物理状态，整合了内存预留和传输保真度等详细操作方面。模拟表明，与现有方法相比，这种混合控制器提高了高保真度吞吐量并降低了成本。
-
新框架通过随机过程解释量子学习模型
一篇新研究论文提出了一个框架，通过将量子学习模型表示为随机过程来解释它们。这项由Johannes Fankhauser领导的工作解决了量子动力学通常违反Chapman-Kolmogorov条件这一挑战，这使得它们难以分解为像经典马尔可夫过程那样的有意义的中间跃迁。所提出的方法将量子通道建模为概率表示上的跃迁核，引入了非经典性（负性）与对过去配置的依赖性（更高的马尔可夫阶数）之间的权衡。这种方法提供了一种将量子动力学解释为通过记忆空间的…