Quantencomputing: Der Weg nach vorne
Entdecke die Kernkonzepte, die die Zukunft der Quanten-Technologie antreiben.
Nathan Lacroix, Alexandre Bourassa, Francisco J. H. Heras, Lei M. Zhang, Johannes Bausch, Andrew W. Senior, Thomas Edlich, Noah Shutty, Volodymyr Sivak, Andreas Bengtsson, Matt McEwen, Oscar Higgott, Dvir Kafri, Jahan Claes, Alexis Morvan, Zijun Chen, Adam Zalcman, Sid Madhuk, Rajeev Acharya, Laleh Aghababaie Beni, Georg Aigeldinger, Ross Alcaraz, Trond I. Andersen, Markus Ansmann, Frank Arute, Kunal Arya, Abraham Asfaw, Juan Atalaya, Ryan Babbush, Brian Ballard, Joseph C. Bardin, Alexander Bilmes, Sam Blackwell, Jenna Bovaird, Dylan Bowers, Leon Brill, Michael Broughton, David A. Browne, Brett Buchea, Bob B. Buckley, Tim Burger, Brian Burkett, Nicholas Bushnell, Anthony Cabrera, Juan Campero, Hung-Shen Chang, Ben Chiaro, Liang-Ying Chih, Agnetta Y. Cleland, Josh Cogan, Roberto Collins, Paul Conner, William Courtney, Alexander L. Crook, Ben Curtin, Sayan Das, Sean Demura, Laura De Lorenzo, Agustin Di Paolo, Paul Donohoe, Ilya Drozdov, Andrew Dunsworth, Alec Eickbusch, Aviv Moshe Elbag, Mahmoud Elzouka, Catherine Erickson, Vinicius S. Ferreira, Leslie Flores Burgos, Ebrahim Forati, Austin G. Fowler, Brooks Foxen, Suhas Ganjam, Gonzalo Garcia, Robert Gasca, Élie Genois, William Giang, Dar Gilboa, Raja Gosula, Alejandro Grajales Dau, Dietrich Graumann, Alex Greene, Jonathan A. Gross, Tan Ha, Steve Habegger, Monica Hansen, Matthew P. Harrigan, Sean D. Harrington, Stephen Heslin, Paula Heu, Reno Hiltermann, Jeremy Hilton, Sabrina Hong, Hsin-Yuan Huang, Ashley Huff, William J. Huggins, Evan Jeffrey, Zhang Jiang, Xiaoxuan Jin, Chaitali Joshi, Pavol Juhas, Andreas Kabel, Hui Kang, Amir H. Karamlou, Kostyantyn Kechedzhi, Trupti Khaire, Tanuj Khattar, Mostafa Khezri, Seon Kim, Paul V. Klimov, Bryce Kobrin, Alexander N. Korotkov, Fedor Kostritsa, John Mark Kreikebaum, Vladislav D. Kurilovich, David Landhuis, Tiano Lange-Dei, Brandon W. Langley, Pavel Laptev, Kim-Ming Lau, Justin Ledford, Kenny Lee, Brian J. Lester, Loïck Le Guevel, Wing Yan Li, Yin Li, Alexander T. Lill, William P. Livingston, Aditya Locharla, Erik Lucero, Daniel Lundahl, Aaron Lunt, Ashley Maloney, Salvatore Mandrà, Leigh S. Martin, Orion Martin, Cameron Maxfield, Jarrod R. McClean, Seneca Meeks, Anthony Megrant, Kevin C. Miao, Reza Molavi, Sebastian Molina, Shirin Montazeri, Ramis Movassagh, Charles Neill, Michael Newman, Anthony Nguyen, Murray Nguyen, Chia-Hung Ni, Murphy Y. Niu, Logan Oas, William D. Oliver, Raymond Orosco, Kristoffer Ottosson, Alex Pizzuto, Rebecca Potter, Orion Pritchard, Chris Quintana, Ganesh Ramachandran, Matthew J. Reagor, Rachel Resnick, David M. Rhodes, Gabrielle Roberts, Eliott Rosenberg, Emma Rosenfeld, Elizabeth Rossi, Pedram Roushan, Kannan Sankaragomathi, Henry F. Schurkus, Michael J. Shearn, Aaron Shorter, Vladimir Shvarts, Spencer Small, W. Clarke Smith, Sofia Springer, George Sterling, Jordan Suchard, Aaron Szasz, Alex Sztein, Douglas Thor, Eifu Tomita, Alfredo Torres, M. Mert Torunbalci, Abeer Vaishnav, Justin Vargas, Sergey Vdovichev, Guifre Vidal, Catherine Vollgraff Heidweiller, Steven Waltman, Jonathan Waltz, Shannon X. Wang, Brayden Ware, Travis Weidel, Theodore White, Kristi Wong, Bryan W. K. Woo, Maddy Woodson, Cheng Xing, Z. Jamie Yao, Ping Yeh, Bicheng Ying, Juhwan Yoo, Noureldin Yosri, Grayson Young, Yaxing Zhang, Ningfeng Zhu, Nicholas Zobrist, Hartmut Neven, Pushmeet Kohli, Alex Davies, Sergio Boixo, Julian Kelly, Cody Jones, Craig Gidney, Kevin J. Satzinger
― 10 min Lesedauer
Inhaltsverzeichnis
- Was sind Qubits?
- Fehlerquoten und logische Qubits
- Superdense Farbcodes vs. Oberflächen-Codes
- Was ist ein Superdense Farbcodes?
- Was ist ein Oberflächen-Code?
- Fehlerunterdrückung und Qubit-Overhead
- Realistische Rauschbedingungen
- Fehlerdekodierung
- Geräteeinrichtung
- Experimentelle Einrichtung: Ein Rezept für den Erfolg
- Fehlerquoten und Leistungsbenchmarking
- Methoden vergleichen: Der beste Dekodierer gewinnt
- Der Superdense Syndrome Extraction Circuit
- Fehlertoleranz: Warum sie wichtig ist
- Schaltkreis-Transformationen: Effizient bleiben
- Skalierung für den Erfolg
- Zustandserhaltung: Alles zusammenhalten
- Die Magie der Zustandsinjektion
- Teleportation in Quantenwelten
- Fidelity messen: Sind wir da?
- Auf dem Weg zu zuverlässigem Quantencomputing
- Fazit: Die Zukunft ist jetzt
- Originalquelle
- Referenz Links
Quantencomputing ist wie der Blockbuster unter den Tech-Themen – es macht alle aufgeregt, kann aber auch für Verwirrung sorgen. Lass uns einige hochtechnischen Konzepte in mundgerechte Häppchen aufteilen.
Qubits?
Was sindIn der Welt des Quantencomputings sind Qubits die Stars. Du kannst dir ein Qubit wie eine superaufgeladene Version eines normalen Bits vorstellen. Während ein traditionelles Bit nur 0 oder 1 sein kann, kann ein Qubit dank einer Sache namens Superposition beides gleichzeitig sein. Stell dir einen Lichtschalter vor, der gleichzeitig an und aus sein kann – klingt wie Magie, oder? So sieht die kurvenreiche Welt der Qubits aus.
Fehlerquoten und logische Qubits
So aufregend es ist, Qubits zu haben, sie bringen auch ihre eigenen Herausforderungen mit, vor allem, wenn es um Fehler geht. Fehler in Quantencomputern treten überraschend häufig auf, das ist wie bei einem Jenga-Spiel, bei dem jemand ständig Stücke von unten herauszieht!
Um diese nervigen Fehler zu umgehen, wollen Wissenschaftler logische Qubits schaffen. Das sind Gruppen von physischen Qubits, die zusammenarbeiten, um die Informationen zu bewahren. Aber genau wie ein gutes Team von Superhelden brauchen sie das richtige Training und die richtigen Methoden, um erfolgreich zu sein.
Oberflächen-Codes
Superdense Farbcodes vs.Jetzt reden wir über Farbcodes und Oberflächen-Codes. Nein, das ist kein neuer Kunsttrend; es geht darum, wie wir Fehler im Quantencomputing behandeln.
Was ist ein Superdense Farbcodes?
Der superdense Farbcodes ist ein schickes Werkzeug zur Fehlerkorrektur. Er braucht weniger Qubits im Vergleich zu Oberflächen-Codes und kann seine Leistung selbst bei Rauschen von Quantenprozessoren aufrechterhalten. Stell dir das vor wie ein neues Gadget, das dir hilft, tolle Selfies zu machen, ohne eine sperrige Kamera mitnehmen zu müssen.
Was ist ein Oberflächen-Code?
Auf der anderen Seite sind Oberflächen-Codes wie das alte, zuverlässige Handy, das du seit Jahren hast – zuverlässig, aber ein bisschen sperriger in Bezug auf die Qubit-Anforderungen. Sie erledigen immer noch die Aufgabe, aber du benötigst mehr Qubits, um effizient mit ihnen zu arbeiten.
Im Vergleich hat der superdense Farbcodes die Nase vorn, da er eine bestimmte Fehlerquote mit weniger Qubits erreichen kann. Es ist wie die besten Angebote beim Einkaufen – warum mehr bezahlen, wenn man weniger für die gleiche Qualität zahlen kann?
Fehlerunterdrückung und Qubit-Overhead
In der Quantenwelt bezieht sich Fehlerunterdrückung auf die Techniken, die verwendet werden, um die Wahrscheinlichkeit von Fehlern zu verringern. Wenn du einen Kuchen backen willst, würdest du wahrscheinlich die Ofentemperatur senken, um ein Verbrennen zu vermeiden, oder? Ähnlich passen Quantenwissenschaftler ihre Qubits an, um Fehler zu unterdrücken.
Aber es gibt einen Haken! Um diese niedrigen Fehlerraten aufrechtzuerhalten, müssen wir möglicherweise mehr Qubits verwenden, als wir möchten, was zu dem führt, was als Qubit-Overhead bekannt ist. Die Herausforderung besteht darin, den sweet spot zu finden, bei dem du minimale Fehler hast, ohne zu viele Qubits zu benötigen.
Realistische Rauschbedingungen
Du könntest denken, dass du mit deinen Qubits schon auf der sicheren Seite bist. Aber nicht ganz! Quantenprozessoren haben realistische Rauschbedingungen – denk an Hintergrundgeräusche während eines Konzerts. Um herauszufinden, wie viele physische Qubits du für ein logisches Qubit brauchst, um richtig zu funktionieren, führen Wissenschaftler Simulationen durch.
Sie tauchen in diese Simulationen ein und suchen nach Fehlerquoten unter den Rauschbedingungen aktueller Geräte, die etwa doppelt so niedrig sind wie das, womit sie normalerweise zu tun haben. Diese Simulationen helfen Forschern zu verstehen, wie gut ihre Codes im echten Leben funktionieren.
Wie eine Probe vor der grossen Show bieten Simulationen die Chance, die Probleme vor der eigentlichen Aufführung auszuräumen.
Fehlerdekodierung
Dekodierung ist entscheidend, um herauszufinden, ob die logischen Informationen durcheinander geraten sind. Einfach ausgedrückt, ist es wie der Versuch, einen Brief zu lesen, der verschmiert wurde. Wissenschaftler verwenden Methoden wie maximale Wahrscheinlichkeit Dekodierung, um die Fehler zu verstehen und zu beheben.
Wenn die Dekodierung wie ein Detektiv ist, der einen Fall löst, muss sie sicherstellen, dass die ursprüngliche Nachricht intakt bleibt. Die Ergebnisse zeigen, dass der superdense Farbcodes möglicherweise weniger Qubits benötigt als der Oberflächen-Code, wenn sie eine bestimmte Distanz erreichen, was aufregende Neuigkeiten sind!
Geräteeinrichtung
Wie machen sie das alles? Stell dir eine geschäftige Küche voller High-Tech-Geräte vor, in der alle Abläufe wie ein gut einstudierter Tanz choreographiert sind.
Sie haben ein 72-Qubit-Gerät, das in einem Verdünnungs-Kühlschrank eingerichtet ist. Hier passiert die Magie, mit Drähten, die alles mit Raumtemperatur-Elektronik verbinden. Jedes Qubit hat seine eigene Steuerleitung, die es ihnen ermöglicht, sowohl Einzel- als auch Zwei-Qubit-Gates durchzuführen.
Während der Operationen stellen sie sicher, dass sich die Steuerleitungen nicht gegenseitig stören, ähnlich wie ein Koch, der Kreuzkontamination beim Zubereiten einer Gourmetmahlzeit vermeiden möchte.
Experimentelle Einrichtung: Ein Rezept für den Erfolg
Um zu messen, wie gut ihre Qubits funktionieren, müssen die Forscher ein strenges Rezept befolgen. Das beinhaltet einen mehrstufigen Prozess, der die Initialisierung der Qubits, die Durchführung von Fehlerkorrekturzyklen und die Messung der Ergebnisse umfasst.
Sie haben Tausende von Experimenten durchgeführt, um sicherzustellen, dass sie genau bewerten können, was unter verschiedenen Bedingungen passiert. Es ist ein bisschen so, als würde man sicherstellen, dass jeder Keks in einer Charge die gleiche Grösse und Form hat – du willst Konsistenz!
Als sie all diese Daten zusammenstellten, konnten sie beurteilen, wie effektiv ihre fehlerkorrigierenden Methoden wirklich waren.
Fehlerquoten und Leistungsbenchmarking
Forschende behalten auch während ihrer Tests ein genaues Auge auf die Fehlerquoten. Sie kategorisieren Fehler nach Typ und schauen sich an, wie oft sie auftreten. Das ist ein wichtiger Schritt, um ihre Quantenmaschinen zu verbessern. Wie ein Schüler, der Prüfungsergebnisse analysiert, wollen sie sehen, wo sie gut abschneiden und wo sie sich verbessern müssen.
Sie erstellen eine kumulative Verteilung der Fehlerquoten, um zu veranschaulichen, wie oft Dinge schiefgehen. Diese Art der Visualisierung hilft, zu verstehen, wie man effektiv mit Fehlern umgeht.
Methoden vergleichen: Der beste Dekodierer gewinnt
Es gibt verschiedene Möglichkeiten, die Fehler zu dekodieren, die im Quantencomputing auftreten, ähnlich wie zu entscheiden, wie man ein kaputtes Auto repariert – du könntest einen Mechaniker anrufen oder es selbst versuchen. Wissenschaftler setzten verschiedene Dekodiermethoden ein, darunter einen Möbius-Dekodierer und einen neuronalen Netzwerk-Dekodierer.
Der Möbius-Dekodierer ist bekannt für seine Geschwindigkeit, während der neuronale Netzwerk-Dekodierer, obwohl langsamer, eine genauere Bewertung dessen bieten kann, was schiefgeht. Es ist, als würde man zwischen einem schnellen Rennwagen und einer zuverlässigen Limousine wählen. Jede Methode hat ihre Vor- und Nachteile, und der Schlüssel ist, das richtige Gleichgewicht zu finden.
Der Superdense Syndrome Extraction Circuit
Und jetzt kommen wir zu einer der Hauptattraktionen: dem Superdense Syndrome Extraction Circuit. Dieser Schaltkreis ist dafür ausgelegt, Fehler in den Qubits zu erkennen, ähnlich wie Sicherheitskontrollen an einem Flughafen.
Was an diesem Schaltkreis clever ist, ist, dass er sowohl Bit-Flip- als auch Phasen-Flip-Fehler identifizieren kann. Diese doppelte Erkennung ermöglicht es den Forschern, mögliche Probleme in einer einzigen Runde zu beheben, ohne dass mehrere Kontrollen erforderlich sind. Weniger Umstände bedeuten effizienteres Quantencomputing!
Fehlertoleranz: Warum sie wichtig ist
Für jede Technologie, die erfolgreich sein will, muss sie fehlertolerant sein. Der Superdense Syndrome Extraction Circuit ist so gestaltet, dass das System auch dann effektiv weiterarbeiten kann, wenn ein Fehler auftritt.
Das ist entscheidend, denn in der Quantenwelt kann ein kleiner Fehler zu grösseren Problemen führen, ähnlich wie ein kleiner Riss im Schiffsrumpf dazu führen kann, dass das Schiff sinkt. Die Forscher haben hart daran gearbeitet zu zeigen, dass dieser Schaltkreis während des Fehlerkorrekturprozesses die Distanz des Farbcodes aufrechterhalten kann.
Schaltkreis-Transformationen: Effizient bleiben
Ein aufregender Teil dieser Forschung ist, wie Wissenschaftler ihre Schaltkreise transformieren, um sie effizient zu halten. Sie passen bestehende Konfigurationen so an, dass alle Qubits die Arbeitslast teilen, ohne sich zu überlasten.
Indem sie sicherstellen, dass benachbarte Qubits nahtlos zusammenarbeiten, minimieren die Forscher die Anzahl der erforderlichen Operationen und erreichen dennoch die gewünschten Ergebnisse.
Es ist wie das Falten eines perfekten Origami-Vogels – jeder Falten muss genau richtig sein, um das endgültige Design mit minimalen Papierschnitten zu erreichen!
Skalierung für den Erfolg
Worauf die Forscher auch achten, ist die Distanzskalierung mit ihren Qubits. Das bedeutet, dass sie ständig daran arbeiten zu sehen, wie sich die Erhöhung der Distanz auf die Leistung des Qubits auswirkt.
Sie wollen herausfinden, wie weit sie ihre Techniken ausdehnen können, bevor sie auf eine Wand stossen. Durch umfangreiche Versuche finden sie die Grenzen der Fehlerunterdrückung, während sie mit verschiedenen Distanzen in ihren Codes experimentieren.
Zustandserhaltung: Alles zusammenhalten
Sobald alles eingerichtet ist, führen die Forscher Zustandsbewahrungsexperimente durch. Das ist so, als würde man überprüfen, dass ein Kuchen feucht und fluffig bleibt, bevor man ihn den Gästen serviert!
Sie sorgen dafür, dass Qubits ihre Zustände während der Korrekturzyklen beibehalten können und messen, wie gut sie das tun. Das Ziel ist es, ein System zu schaffen, das nicht nur funktioniert, sondern auch zuverlässig arbeitet.
Diese Studien liefern wichtige Einblicke, wie gut ihre Kodierungsmethoden unter realen Bedingungen abschneiden.
Die Magie der Zustandsinjektion
Zustandsinjektion bedeutet, dass neue Quantenzustände in das bestehende Setup integriert werden, ohne Unruhe zu verursachen. Dieses Verfahren ist entscheidend für die Erweiterung von Farbcodes und die Verbesserung der Gesamtleistung.
Während des Zustandsinjektionsprozesses nutzen Forscher eine Mischung aus Qubits, um Bell-Zustände zu erzeugen. Diese fungieren als Brücke, die es dem neuen Zustand ermöglicht, nahtlos mit dem System zu verschmelzen.
Stell dir das vor, als würdest du einer bereits gebackenen Torte eine leckere Glasur hinzufügen, um sicherzustellen, dass die Aromen perfekt zusammenkommen!
Teleportation in Quantenwelten
Wusstest du, dass Wissenschaftler auch an Quanten-Teleportation arbeiten? Nein, es geht nicht darum, dich wie in einem Sci-Fi-Film hochzubeamen, sondern eher darum, Quanteninformationen nahtlos von einem Qubit zum anderen zu übertragen.
Durch aufregende Methoden wie Lattice Surgery können Forscher dies erreichen, indem sie verschiedene logische Qubits zusammenführen und es ihnen ermöglichen, Informationen geteilt zu haben. Es ist, als ob zwei Freunde im Unterricht Zettel schreiben, ohne dass der Lehrer es merkt!
Fidelity messen: Sind wir da?
Fidelity ist ein schicker Begriff, um zu messen, wie genau ein Quantenstatus mit dem beabsichtigten Status übereinstimmt. Je höher die Fidelity, desto besser die Leistung. Wissenschaftler setzen ihre Systeme auf die Probe, um sicherzustellen, dass ihre Qubits wie beabsichtigt funktionieren.
Das ist wie das Überprüfen des GPS auf einer Reise quer durch das Land, um sicherzustellen, dass du nicht im Kreis fährst. Du willst den richtigen Weg finden, um dein Ziel ohne Umwege zu erreichen!
Auf dem Weg zu zuverlässigem Quantencomputing
Mit all diesen Werkzeugen und Techniken kommen Forscher stetig näher an zuverlässiges Quantencomputing. Durch das Feinabstimmen ihrer Methoden ebnen sie den Weg dafür, dass Quantencomputer robuster, effizienter und hoffentlich etwas benutzerfreundlicher werden.
Mit der Zeit könnten wir den Beginn eines neuen Kapitels im Computing erleben – eines, in dem Quantencomputer uns ermöglichen, komplexe Probleme zu lösen, die über unsere aktuellen Fähigkeiten hinausgehen. Denk nur an die Möglichkeiten!
Fazit: Die Zukunft ist jetzt
Zusammenfassend lässt sich sagen, dass Quantencomputing wie ein Puzzle ist, das Forscher fleissig zu lösen versuchen. Die superdense Farbcodes und Oberflächen-Codes sind essentielle Werkzeuge auf dieser Reise.
Obwohl noch viele Hürden zu überwinden sind, legen die heutigen Bemühungen den Grundstein für die Durchbrüche der Technologie von morgen. Und wer weiss? Vielleicht werden wir eines Tages sehen, wie Quantencomputer Industrien transformieren und unsere Welt neu gestalten.
Schnall dich an – die Reise in die Quantenwelt hat gerade erst begonnen!
Titel: Scaling and logic in the color code on a superconducting quantum processor
Zusammenfassung: Quantum error correction is essential for bridging the gap between the error rates of physical devices and the extremely low logical error rates required for quantum algorithms. Recent error-correction demonstrations on superconducting processors have focused primarily on the surface code, which offers a high error threshold but poses limitations for logical operations. In contrast, the color code enables much more efficient logic, although it requires more complex stabilizer measurements and decoding techniques. Measuring these stabilizers in planar architectures such as superconducting qubits is challenging, and so far, realizations of color codes have not addressed performance scaling with code size on any platform. Here, we present a comprehensive demonstration of the color code on a superconducting processor, achieving logical error suppression and performing logical operations. Scaling the code distance from three to five suppresses logical errors by a factor of $\Lambda_{3/5}$ = 1.56(4). Simulations indicate this performance is below the threshold of the color code, and furthermore that the color code may be more efficient than the surface code with modest device improvements. Using logical randomized benchmarking, we find that transversal Clifford gates add an error of only 0.0027(3), which is substantially less than the error of an idling error correction cycle. We inject magic states, a key resource for universal computation, achieving fidelities exceeding 99% with post-selection (retaining about 75% of the data). Finally, we successfully teleport logical states between distance-three color codes using lattice surgery, with teleported state fidelities between 86.5(1)% and 90.7(1)%. This work establishes the color code as a compelling research direction to realize fault-tolerant quantum computation on superconducting processors in the near future.
Autoren: Nathan Lacroix, Alexandre Bourassa, Francisco J. H. Heras, Lei M. Zhang, Johannes Bausch, Andrew W. Senior, Thomas Edlich, Noah Shutty, Volodymyr Sivak, Andreas Bengtsson, Matt McEwen, Oscar Higgott, Dvir Kafri, Jahan Claes, Alexis Morvan, Zijun Chen, Adam Zalcman, Sid Madhuk, Rajeev Acharya, Laleh Aghababaie Beni, Georg Aigeldinger, Ross Alcaraz, Trond I. Andersen, Markus Ansmann, Frank Arute, Kunal Arya, Abraham Asfaw, Juan Atalaya, Ryan Babbush, Brian Ballard, Joseph C. Bardin, Alexander Bilmes, Sam Blackwell, Jenna Bovaird, Dylan Bowers, Leon Brill, Michael Broughton, David A. Browne, Brett Buchea, Bob B. Buckley, Tim Burger, Brian Burkett, Nicholas Bushnell, Anthony Cabrera, Juan Campero, Hung-Shen Chang, Ben Chiaro, Liang-Ying Chih, Agnetta Y. Cleland, Josh Cogan, Roberto Collins, Paul Conner, William Courtney, Alexander L. Crook, Ben Curtin, Sayan Das, Sean Demura, Laura De Lorenzo, Agustin Di Paolo, Paul Donohoe, Ilya Drozdov, Andrew Dunsworth, Alec Eickbusch, Aviv Moshe Elbag, Mahmoud Elzouka, Catherine Erickson, Vinicius S. Ferreira, Leslie Flores Burgos, Ebrahim Forati, Austin G. Fowler, Brooks Foxen, Suhas Ganjam, Gonzalo Garcia, Robert Gasca, Élie Genois, William Giang, Dar Gilboa, Raja Gosula, Alejandro Grajales Dau, Dietrich Graumann, Alex Greene, Jonathan A. Gross, Tan Ha, Steve Habegger, Monica Hansen, Matthew P. Harrigan, Sean D. Harrington, Stephen Heslin, Paula Heu, Reno Hiltermann, Jeremy Hilton, Sabrina Hong, Hsin-Yuan Huang, Ashley Huff, William J. Huggins, Evan Jeffrey, Zhang Jiang, Xiaoxuan Jin, Chaitali Joshi, Pavol Juhas, Andreas Kabel, Hui Kang, Amir H. Karamlou, Kostyantyn Kechedzhi, Trupti Khaire, Tanuj Khattar, Mostafa Khezri, Seon Kim, Paul V. Klimov, Bryce Kobrin, Alexander N. Korotkov, Fedor Kostritsa, John Mark Kreikebaum, Vladislav D. Kurilovich, David Landhuis, Tiano Lange-Dei, Brandon W. Langley, Pavel Laptev, Kim-Ming Lau, Justin Ledford, Kenny Lee, Brian J. Lester, Loïck Le Guevel, Wing Yan Li, Yin Li, Alexander T. Lill, William P. Livingston, Aditya Locharla, Erik Lucero, Daniel Lundahl, Aaron Lunt, Ashley Maloney, Salvatore Mandrà, Leigh S. Martin, Orion Martin, Cameron Maxfield, Jarrod R. McClean, Seneca Meeks, Anthony Megrant, Kevin C. Miao, Reza Molavi, Sebastian Molina, Shirin Montazeri, Ramis Movassagh, Charles Neill, Michael Newman, Anthony Nguyen, Murray Nguyen, Chia-Hung Ni, Murphy Y. Niu, Logan Oas, William D. Oliver, Raymond Orosco, Kristoffer Ottosson, Alex Pizzuto, Rebecca Potter, Orion Pritchard, Chris Quintana, Ganesh Ramachandran, Matthew J. Reagor, Rachel Resnick, David M. Rhodes, Gabrielle Roberts, Eliott Rosenberg, Emma Rosenfeld, Elizabeth Rossi, Pedram Roushan, Kannan Sankaragomathi, Henry F. Schurkus, Michael J. Shearn, Aaron Shorter, Vladimir Shvarts, Spencer Small, W. Clarke Smith, Sofia Springer, George Sterling, Jordan Suchard, Aaron Szasz, Alex Sztein, Douglas Thor, Eifu Tomita, Alfredo Torres, M. Mert Torunbalci, Abeer Vaishnav, Justin Vargas, Sergey Vdovichev, Guifre Vidal, Catherine Vollgraff Heidweiller, Steven Waltman, Jonathan Waltz, Shannon X. Wang, Brayden Ware, Travis Weidel, Theodore White, Kristi Wong, Bryan W. K. Woo, Maddy Woodson, Cheng Xing, Z. Jamie Yao, Ping Yeh, Bicheng Ying, Juhwan Yoo, Noureldin Yosri, Grayson Young, Yaxing Zhang, Ningfeng Zhu, Nicholas Zobrist, Hartmut Neven, Pushmeet Kohli, Alex Davies, Sergio Boixo, Julian Kelly, Cody Jones, Craig Gidney, Kevin J. Satzinger
Letzte Aktualisierung: Dec 18, 2024
Sprache: English
Quell-URL: https://arxiv.org/abs/2412.14256
Quell-PDF: https://arxiv.org/pdf/2412.14256
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.