Identifizierung der Pauli-Spin-Blockade mithilfe von Deep Learning

Neuauflage von Plato

Verfolger: 0

Jonas Schuff¹, Dominic T. Lennon¹, Simon Geyer², David L. Craig¹, Federico Fedele¹, Florian Vigneau¹, Leon C. Camenzind², Andreas V. Kuhlmann², G. Andrew D. Briggs¹, Dominik M. Zumbühl², Dino Sejdinovic³ und Natalia Ares⁴

¹Department of Materials, University of Oxford, Oxford OX1 3PH, Vereinigtes Königreich
²Departement Physik, Universität Basel, 4056 Basel, Schweiz
³School of Computer and Mathematical Sciences & AIML, University of Adelaide, SA 5005, Australien
⁴Fakultät für Ingenieurwissenschaften, Universität Oxford, Oxford OX1 3PJ, Vereinigtes Königreich

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Die Pauli-Spinblockade (PSB) kann selbst bei erhöhten Temperaturen als hervorragende Ressource für die Initialisierung und Auslesung von Spin-Qubits eingesetzt werden, kann jedoch schwierig zu identifizieren sein. Wir stellen einen Algorithmus für maschinelles Lernen vor, der PSB mithilfe von Ladungstransportmessungen automatisch identifizieren kann. Der Mangel an PSB-Daten wird umgangen, indem der Algorithmus mit simulierten Daten trainiert und eine geräteübergreifende Validierung verwendet wird. Wir demonstrieren unseren Ansatz an einem Silizium-Feldeffekttransistorgerät und berichten über eine Genauigkeit von 96 % bei verschiedenen Testgeräten, was beweist, dass der Ansatz robust gegenüber Geräteschwankungen ist. Es wird erwartet, dass unser Algorithmus, ein wesentlicher Schritt zur Realisierung einer vollautomatischen Qubit-Abstimmung, auf alle Arten von Quantenpunktgeräten anwendbar ist.

Identifizierung der Pauli-Spinblockade mithilfe von Deep Learning PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Ausgewähltes Bild: Illustration eines Pauli-Spinblockadedetektors

Populäre Zusammenfassung

Wir haben einen Algorithmus für maschinelles Lernen entwickelt, um automatisch einen schwer fassbaren Effekt im Zusammenhang mit dem Betrieb von Geräten zu erkennen, die derzeit zu den bevorzugten Kandidatenarchitekturen für Quantentechnologien zählen: Halbleiter-Qubits. Dies ist ein wichtiger Schritt in Richtung skalierbarer Quantenberechnung mit Halbleiterschaltkreisen. Der Effekt, die Pauli-Spin-Blockade (PSB), kann zum Initiieren und Auslesen von Qubits genutzt werden, einer Grundvoraussetzung des Quantencomputings. Der Nachweis von PSB ist jedoch aufgrund seiner Seltenheit und Empfindlichkeit gegenüber Materialabweichungen und Herstellungsfehlern eine Herausforderung. Um dieses Problem zu lösen, verwendeten wir einen von der Physik inspirierten Simulator und eine Methode namens geräteübergreifende Validierung. Dabei trainierten wir den Algorithmus anhand von Daten von einem Gerät und testeten ihn auf einem anderen. Der Algorithmus wurde an einem Silizium-Feldeffekttransistorgerät demonstriert und erreichte eine Genauigkeit von 96 % bei der Identifizierung von PSB über verschiedene Testgeräte hinweg. Interessanterweise stellte die Studie fest, dass simulierte Daten für das Training des Algorithmus ereignisrelevanter sind als Daten aus der realen Welt, was hauptsächlich auf die begrenzte Verfügbarkeit umfassender experimenteller Daten zurückzuführen ist. Diese Forschung beschleunigt die Realisierung praktischer, skalierbarer Quantencomputer.

► BibTeX-Daten

@article{Schuff2023identifyingpauli, doi = {10.22331/q-2023-08-08-1077}, url = {https://doi.org/10.22331/q-2023-08-08-1077}, title = {Identifying { P}auli-Spinblockade mit Deep Learning}, Autor = {Schuff, Jonas und Lennon, Dominic T. und Geyer, Simon und Craig, David L. und Fedele, Federico und Vigneau, Florian und Camenzind, Leon C. und Kuhlmann, Andreas V. und Briggs, G. Andrew D. und Zumb{“{u}}hl, Dominik M. und Sejdinovic, Dino und Ares, Natalia}, Zeitschrift = {{Quantum}}, issn = {2521-327X}, Herausgeber = {{Verein zur F{“{o}}rdung des Open Access Publizierens in den Quantenwissenschaften}}, Band = {7}, Seiten = {1077}, Monat = Aug, Jahr = {2023} }

► Referenzen

[1] Daniel Loss und David P DiVincenzo. Quantenberechnung mit Quantenpunkten. Physical Review A, 57 (1): 120, 1998. 10.1103/PhysRevA.57.120.
https: / / doi.org/ 10.1103 / PhysRevA.57.120

[2] LMK Vandersypen, H. Bluhm, JS Clarke, AS Dzurak, R. Ishihara, A. Morello, DJ Reilly, LR Schreiber und M. Veldhorst. Schnittstellen zwischen Spin-Qubits in Quantenpunkten und Donoren – heiß, dicht und kohärent. npj Quantum Information, 3 (1): 1–10, 2017. 10.1038/s41534-017-0038-y.
https: / / doi.org/ 10.1038 / s41534-017-0038-y

[3] Toivo Hensgens, Takafumi Fujita, Laurens Janssen, Xiao Li, CJ Van Diepen, Christian Reichl, Werner Wegscheider, S Das Sarma und Lieven MK Vandersypen. Quantensimulation eines Fermi-Hubbard-Modells mit einem Halbleiter-Quantenpunktarray. Nature, 548 (7665): 70–73, 2017. 10.1038/nature23022.
https: / / doi.org/ 10.1038 / nature23022

[4] Menno Veldhorst, CH Yang, JCC Hwang, W Huang, JP Dehollain, JT Muhonen, S Simmons, A Laucht, FE Hudson, Kohei M Itoh, et al. Ein Zwei-Qubit-Logikgatter aus Silizium. Nature, 526 (7573): 410–414, 2015. 10.1038/nature15263.
https: / / doi.org/ 10.1038 / nature15263

[5] Pascal Cerfontaine, Tim Botzem, Julian Ritzmann, Simon Sebastian Humpohl, Arne Ludwig, Dieter Schuh, Dominique Bougeard, Andreas D Wieck und Hendrik Bluhm. Regelung eines GaAs-basierten Singulett-Triplett-Spin-Qubits mit 99.5 % Gate-Genauigkeit und geringem Leckstrom. Nature Communications, 11 (1): 1–6, 2020. 10.1038/s41467-020-17865-3.
https://doi.org/10.1038/s41467-020-17865-3

[6] Akito Noiri, Kenta Takeda, Takashi Nakajima, Takashi Kobayashi, Amir Sammak, Giordano Scappucci und Seigo Tarucha. Schnelles universelles Quantengatter oberhalb der Fehlertoleranzschwelle in Silizium. Nature, 601 (7893): 338–342, 2022. 10.1038/s41586-021-04182-y.
https: / / doi.org/ 10.1038 / s41586-021-04182-y

[7] Stephan GJ Philips, Mateusz T Mądzik, Sergey V Amitonov, Sander L de Snoo, Maximilian Russ, Nima Kalhor, Christian Volk, William IL Lawrie, Delphine Brousse, Larysa Tryputen, et al. Universelle Steuerung eines Sechs-Qubit-Quantenprozessors in Silizium. Nature, 609 (7929): 919–924, 2022. 10.1038/s41586-022-05117-x.
https: / / doi.org/ 10.1038 / s41586-022-05117-x

[8] Federico Fedele, Anasua Chatterjee, Saeed Fallahi, Geoffrey C Gardner, Michael J Manfra und Ferdinand Kuemmeth. Gleichzeitige Operationen in einem zweidimensionalen Array von Singulett-Triplett-Qubits. PRX Quantum, 2 (4): 040306, 2021. 10.1103/PRXQuantum.2.040306.
https: / / doi.org/ 10.1103 / PRXQuantum.2.040306

[9] Luca Petit, HGJ Eenink, M Russ, WIL Lawrie, NW Hendrickx, SGJ Philips, JS Clarke, LMK Vandersypen und M Veldhorst. Universelle Quantenlogik in heißen Silizium-Qubits. Nature, 580 (7803): 355–359, 2020. 10.1038/s41586-020-2170-7.
https://doi.org/10.1038/s41586-020-2170-7

[10] Chih Heng Yang, RCC Leon, JCC Hwang, Andre Saraiva, Tuomo Tanttu, Wister Huang, J Camirand Lemyre, Kok Wai Chan, KY Tan, Fay E Hudson, et al. Betrieb einer Silizium-Quantenprozessor-Einheitszelle über einem Kelvin. Nature, 580 (7803): 350–354, 2020. 10.1038/s41586-020-2171-6.
https://doi.org/10.1038/s41586-020-2171-6

[11] Leon C. Camenzind, Simon Geyer, Andreas Fuhrer, Richard J. Warburton, Dominik M. Zumbühl und Andreas V. Kuhlmann. Ein Loch-Spin-Qubit in einem Flossen-Feldeffekttransistor über 4 Kelvin. Nature Electronics, 5 (3): 178–183, 2022. 10.1038/s41928-022-00722-0.
https://doi.org/10.1038/s41928-022-00722-0

[12] Ronald Hanson, Leo P. Kouwenhoven, Jason R. Petta, Seigo Tarucha und Lieven MK Vandersypen. Spins in Quantenpunkten mit wenigen Elektronen. Reviews of Modern Physics, 79 (4): 1217, 2007. 10.1103/RevModPhys.79.1217.
https: / / doi.org/ 10.1103 / RevModPhys.79.1217

[13] Luca Petit, Maximilian Russ, Gertjan HGJ Eenink, William IL Lawrie, James S. Clarke, Lieven MK Vandersypen und Menno Veldhorst. Design und Integration von Single-Qubit-Rotationen und Two-Qubit-Gates in Silizium über einem Kelvin. Kommunikationsmaterialien, 3 (1): 82, 2022. 10.1038/s43246-022-00304-9.
https://doi.org/10.1038/s43246-022-00304-9

[14] J Darulová, SJ Pauka, N Wiebe, KW Chan, GC Gardener, MJ Manfra, MC Cassidy und Matthias Troyer. Autonome Abstimmung und Ladungszustandserkennung von Gate-definierten Quantenpunkten. Physical Review Applied, 13 (5): 054005, 2020. 10.1103/PhysRevApplied.13.054005.
https: / / doi.org/ 10.1103 / PhysRevApplied.13.054005

[15] H Moon, DT Lennon, J Kirkpatrick, NM van Esbroeck, LC Camenzind, Liuqi Yu, F Vigneau, DM Zumbühl, G Andrew D Briggs, MA Osborne, et al. Maschinelles Lernen ermöglicht eine vollständig automatische Abstimmung eines Quantengeräts schneller als menschliche Experten. Nature Communications, 11 (1): 1–10, 2020. 10.1038/s41467-020-17835-9.
https://doi.org/10.1038/s41467-020-17835-9

[16] Brandon Severin, Dominic T. Lennon, Leon C. Camenzind, Florian Vigneau, F. Fedele, D. Jirovec, A. Ballabio, D. Chrastina, G. Isella, M. de Kruijf, et al. Architekturübergreifendes Tuning von Silizium- und SiGe-basierten Quantengeräten mittels maschinellem Lernen. arXiv-Vorabdruck arXiv:2107.12975, 2021. 10.48550/arXiv.2107.12975.
https:///doi.org/10.48550/arXiv.2107.12975
arXiv: 2107.12975

[17] Timothy A. Baart, Pieter T. Eendebak, Christian Reichl, Werner Wegscheider und Lieven MK Vandersypen. Computerautomatisierte Abstimmung von Halbleiter-Doppelquantenpunkten in den Einzelelektronenbereich. Applied Physics Letters, 108 (21): 213104, 2016. 10.1063/1.4952624.
https: / / doi.org/ 10.1063 / 1.4952624

[18] Sandesh S. Kalantre, Justyna P. Zwolak, Stephen Ragole, Xingyao Wu, Neil M. Zimmerman, Michael D. Stewart und Jacob M. Taylor. Techniken des maschinellen Lernens zur Zustandserkennung und automatischen Abstimmung in Quantenpunkten. npj Quantum Information, 5 (1): 1–10, 2019. 10.1038/s41534-018-0118-7.
https://doi.org/10.1038/s41534-018-0118-7

[19] Justyna P Zwolak, Thomas McJunkin, Sandesh S Kalantre, JP Dodson, ER MacQuarrie, DE Savage, MG Lagally, SN Coppersmith, Mark A Eriksson und Jacob M Taylor. Autotuning von Double-Dot-Geräten vor Ort mit maschinellem Lernen. Physical Review Applied, 13 (3): 034075, 2020. 10.1103/PhysRevApplied.13.034075.
https: / / doi.org/ 10.1103 / PhysRevApplied.13.034075

[20] V Nguyen, SB Orbell, Dominic T Lennon, Hyungil Moon, Florian Vigneau, Leon C Camenzind, Liuqi Yu, Dominik M Zumbühl, G Andrew D Briggs, Michael A Osborne, et al. Deep Reinforcement Learning zur effizienten Messung von Quantengeräten. npj Quantum Information, 7 (1): 1–9, 2021. 10.1038/s41534-021-00434-x.
https: / / doi.org/ 10.1038 / s41534-021-00434-x

[21] Justyna P. Zwolak, Thomas McJunkin, Sandesh S. Kalantre, Samuel F. Neyens, ER MacQuarrie, Mark A. Eriksson und Jacob M. Taylor. Strahlenbasiertes Framework zur Zustandsidentifizierung in Quantenpunktgeräten. PRX Quantum, 2 (2): 020335, 2021. 10.1103/PRXQuantum.2.020335.
https: / / doi.org/ 10.1103 / PRXQuantum.2.020335

[22] NM van Esbroeck, DT Lennon, H Moon, V Nguyen, F Vigneau, LC Camenzind, L Yu, DM Zumbühl, GAD Briggs, Dino Sejdinovic, et al. Feinabstimmung von Quantengeräten durch unbeaufsichtigtes Einbettungslernen. New Journal of Physics, 22 (9): 095003, 2020. 10.1088/1367-2630/abb64c.
https:///doi.org/10.1088/1367-2630/abb64c

[23] Julian D. Teske, Simon Sebastian Humpohl, René Otten, Patrick Bethke, Pascal Cerfontaine, Jonas Dedden, Arne Ludwig, Andreas D. Wieck und Hendrik Bluhm. Ein maschineller Lernansatz zur automatisierten Feinabstimmung von Halbleiter-Spin-Qubits. Applied Physics Letters, 114 (13): 133102, 2019. 10.1063/1.5088412.
https: / / doi.org/ 10.1063 / 1.5088412

[24] CJ Van Diepen, Pieter T. Eendebak, Bruno T. Buijtendorp, Uditendu Mukhopadhyay, Takafumi Fujita, Christian Reichl, Werner Wegscheider und Lieven MK Vandersypen. Automatisierte Abstimmung der Interpunkt-Tunnelkopplung in Doppelquantenpunkten. Applied Physics Letters, 113 (3): 033101, 2018. 10.1063/1.5031034.
https: / / doi.org/ 10.1063 / 1.5031034

[25] Tim Botzem, Michael D. Shulman, Sandra Foletti, Shannon P. Harvey, Oliver E. Dial, Patrick Bethke, Pascal Cerfontaine, Robert PG McNeil, Diana Mahalu, Vladimir Umansky, et al. Tuning-Methoden für Halbleiter-Spin-Qubits. Physical Review Applied, 10 (5): 054026, 2018. 10.1103/PhysRevApplied.10.054026.
https: / / doi.org/ 10.1103 / PhysRevApplied.10.054026

[26] David L Craig, Hyungil Moon, Federico Fedele, Dominic T Lennon, Barnaby van Straaten, Florian Vigneau, Leon C Camenzind, Dominik M Zumbühl, G Andrew D Briggs, Michael A Osborne, Dino Seijdinovic und Natalia Ares. Überbrückung der Realitätslücke bei Quantengeräten durch physikbewusstes maschinelles Lernen. arXiv-Vorabdruck arXiv:2111.11285, 2021. 10.48550/arXiv.2111.11285.
https:///doi.org/10.48550/arXiv.2111.11285
arXiv: 2111.11285

[27] Stefanie Czischek, Victor Yon, Marc-Antoine Genest, Marc-Antoine Roux, Sophie Rochette, Julien Camirand Lemyre, Mathieu Moras, Michel Pioro-Ladrière, Dominique Drouin, Yann Beilliard, et al. Miniaturisierung neuronaler Netze für die automatische Abstimmung des Ladungszustands in Quantenpunkten. Maschinelles Lernen: Wissenschaft und Technologie, 3 (1): 015001, 2021. 10.1088/2632-2153/ac34db.
https:///doi.org/10.1088/2632-2153/ac34db

[28] Renato Durrer, Benedikt Kratochwil, Jonne V Koski, Andreas J Landig, Christian Reichl, Werner Wegscheider, Thomas Ihn und Eliska Greplova. Automatisierte Abstimmung von Doppelquantenpunkten auf bestimmte Ladungszustände mithilfe neuronaler Netze. Physical Review Applied, 13 (5): 054019, 2020. 10.1103/PhysRevApplied.13.054019.
https: / / doi.org/ 10.1103 / PhysRevApplied.13.054019

[29] Maxime Lapointe-Major, Olivier Germain, J Camirand Lemyre, Dany Lachance-Quirion, Sophie Rochette, F Camirand Lemyre und Michel Pioro-Ladrière. Algorithmus zur automatisierten Abstimmung eines Quantenpunkts in den Einzelelektronenbereich. Physical Review B, 102 (8): 085301, 2020. 10.1103/PhysRevB.102.085301.
https://doi.org/ 10.1103/PhysRevB.102.085301

[30] Yuta Matsumoto, Takafumi Fujita, Arne Ludwig, Andreas D. Wieck, Kazunori Komatani und Akira Oiwa. Rauschrobuste Klassifizierung von Single-Shot-Elektronenspin-Auslesungen mithilfe eines tiefen neuronalen Netzwerks. npj Quantum Information, 7 (1): 1–7, 2021. 10.1038/s41534-021-00470-7.
https://doi.org/10.1038/s41534-021-00470-7

[31] Jana Darulová, Matthias Troyer und Maja C Cassidy. Auswertung synthetischer und experimenteller Trainingsdaten beim überwachten maschinellen Lernen zur Ladungszustandserkennung von Quantenpunkten. Maschinelles Lernen: Wissenschaft und Technologie, 2021. 10.1088/2632-2153/ac104c.
https:///doi.org/10.1088/2632-2153/ac104c

[32] Simon Geyer, Leon C Camenzind, Lukas Czornomaz, Veeresh Deshpande, Andreas Fuhrer, Richard J Warburton, Dominik M Zumbühl und Andreas V Kuhlmann. Selbstausrichtende Gatter für skalierbares Silizium-Quantencomputing. Applied Physics Letters, 118 (10): 104004, 2021. 10.1063/5.0036520.
https: / / doi.org/ 10.1063 / 5.0036520

[33] Franck HL Koppens, Joshua A Folk, Jeroen M Elzerman, Ronald Hanson, LH Willems Van Beveren, Ivo T Vink, Hans-Peter Tranitz, Werner Wegscheider, Leo P Kouwenhoven und Lieven MK Vandersypen. Kontrolle und Nachweis der Singulett-Triplett-Mischung in einem zufälligen Kernfeld. Science, 309 (5739): 1346–1350, 2005. 10.1126/science.1113719.
https: / / doi.org/ 10.1126 / science.1113719

[34] Matthias Brauns, Joost Ridderbos, Ang Li, Erik PAM Bakkers, Wilfred G Van Der Wiel und Floris A Zwanenburg. Anisotrope Pauli-Spinblockade in Lochquantenpunkten. Physical Review B, 94 (4): 041411, 2016. 10.1103/PhysRevB.94.041411.
https://doi.org/ 10.1103/PhysRevB.94.041411

[35] J Danon und Yu V Nazarov. Pauli-Spinblockade bei starker Spin-Bahn-Kopplung. Physical Review B, 80 (4): 041301, 2009. 10.1103/PhysRevB.80.041301.
https://doi.org/ 10.1103/PhysRevB.80.041301

[36] S Nadj-Perge, SM Frolov, JWW Van Tilburg, J Danon, Yu V Nazarov, R Algra, EPAM Bakkers und LP Kouwenhoven. Entwirrung der Auswirkungen von Spin-Bahn- und Hyperfeinwechselwirkungen auf die Spinblockade. Physical Review B, 81 (20): 201305, 2010. 10.1103/PhysRevB.81.201305.
https://doi.org/ 10.1103/PhysRevB.81.201305

[37] Ruoyu Li, Fay E. Hudson, Andrew S. Dzurak und Alexander R. Hamilton. Pauli-Spinblockade schwerer Löcher in einem Silizium-Doppelquantenpunkt. Nano Letters, 15 (11): 7314–7318, 2015. 10.1021/acs.nanolett.5b02561.
https:///doi.org/10.1021/acs.nanolett.5b02561

[38] FNM Froning, MJ Rančić, B. Hetényi, S. Bosco, MK Rehmann, Ang Li, Erik PAM Bakkers, Floris Arnoud Zwanenburg, Daniel Loss, DM Zumbühl, et al. Starke Spin-Bahn-Wechselwirkung und G-Faktor-Renormierung von Lochspins in Ge/Si-Nanodraht-Quantenpunkten. Physical Review Research, 3 (1): 013081, 2021. 10.1103/PhysRevResearch.3.013081.
https: / / doi.org/ 10.1103 / PhysRevResearch.3.013081

[39] TH Stoof und Yu V Nazarov. Zeitabhängiges resonantes Tunneln über zwei diskrete Zustände. Physical Review B, 53 (3): 1050, 1996. 10.1103/PhysRevB.53.1050.
https://doi.org/ 10.1103/PhysRevB.53.1050

[40] Kaiming He, Xiangyu Zhang, Shaoqing Ren und Jian Sun. Tiefes Restlernen für die Bilderkennung. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Seiten 770–778, 2016. 10.1109/CVPR.2016.90.
https: / / doi.org/ 10.1109 / CVPR.2016.90

[41] TorchVision-Betreuer und Mitwirkende. Torchvision: Pytorchs Computer-Vision-Bibliothek. https:///github.com/pytorch/vision, 2016.
https:///github.com/pytorch/vision

[42] Yann LeCun, Léon Bottou, Yoshua Bengio und Patrick Haffner. Gradientenbasiertes Lernen für die Dokumenterkennung. Proceedings of the IEEE, 86 (11): 2278–2324, 1998. 10.1109/5.726791.
https: / / doi.org/ 10.1109 / 5.726791

[43] Diederik P. Kingma und Jimmy Ba. Adam: Eine Methode zur stochastischen Optimierung. arXiv-Vorabdruck arXiv:1412.6980, 2014. 10.48550/arXiv.1412.6980.
https:///doi.org/10.48550/arXiv.1412.6980
arXiv: 1412.6980

[44] Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, Alban Desmaison, Andreas Kopf, Edward Yang, Zachary DeVito, Martin Raison, Alykhan Tejani, Sasank Chilamkurthy , Benoit Steiner, Lu Fang, Junjie Bai und Soumith Chintala. PyTorch: Eine leistungsstarke Deep-Learning-Bibliothek im Imperativstil. In H. Wallach, H. Larochelle, A. Beygelzimer, F. d'Alché-Buc, E. Fox und R. Garnett, Herausgeber, Advances in Neural Information Processing Systems 32, Seiten 8024–8035. Curran Associates, Inc., 2019. 10.48550/arXiv.1912.01703.
https:///doi.org/10.48550/arXiv.1912.01703

Zitiert von

[1] Ludmila Szulakowska und Jun Dai, „Bayesianisches Autotuning von Hubbard-Modellquantensimulatoren“, arXiv: 2210.03077, (2022).

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2023, 08:08:14 Uhr). Die Liste ist möglicherweise unvollständig, da nicht alle Verlage geeignete und vollständige Zitationsdaten bereitstellen.

Konnte nicht abrufen Crossref zitiert von Daten während des letzten Versuchs 2023-08-08 14:42:44: Von Crossref konnten keine zitierten Daten für 10.22331 / q-2023-08-08-1077 abgerufen werden. Dies ist normal, wenn der DOI kürzlich registriert wurde.

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.

SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
Quelle: https://quantum-journal.org/papers/q-2023-08-08-1077/

Zeitstempel: 8. August 2023

Zeitstempel: Jan 10, 2024

Neuauflage von Plato

Design von quantenoptischen Experimenten mit logischer künstlicher Intelligenz

Reqomp: Raumbeschränkte Nichtberechnung für Quantenschaltkreise

Unvoreingenommenheit des zeitabhängigen Variational Monte Carlo durch projizierte Quantenentwicklung

Über Kontraktionskoeffizienten, Partialordnungen und Approximation von Kapazitäten für Quantenkanäle

Erzeugung einer hochgradig abrufbaren Atom-Photonen-Verschränkung mit einer Lebensdauer von einer Millisekunde über einen räumlich gemultiplexten Resonator

Stabilitätsexperimente: Das übersehene Dual von Gedächtnisexperimenten

Verbesserte Genauigkeit für Trabersimulationen mithilfe der Tschebyscheff-Interpolation

Verbesserte Gravitationsverschränkung durch modulierte Optomechanik

Der Quantenschalter wird eindeutig durch seine Wirkung auf einheitliche Operationen definiert

Über uns

Vertikale Suche & Ai

Plattform

Bleiben Sie in Verbindung

Konto