MétaCan
Menu
Retour à la cohorte
Enregistrement W2962835877 · doi:10.1038/srep38822

Simulating and Optimising Quantum Thermometry Using Single Photons

2016· article· en· W2962835877 sur OpenAlexafffund
W. K. Tham, Hugo Ferretti, Arun Vellat Sadashivan, Aephraim M. Steinberg

Notice bibliographique

RevueScientific Reports · 2016
Typearticle
Langueen
DomaineComputer Science
ThématiqueQuantum Information and Cryptography
Établissements canadiensCanadian Institute for Advanced ResearchUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institute for Advanced Research
Mots-clésThermometerQubitCoherence (philosophical gambling strategy)PhotonQuantum mechanicsPhysicsQuantumSpinsStatistical physicsComputer scienceCondensed matter physics

Résumé

récupéré en direct d'OpenAlex

A classical thermometer typically works by exchanging energy with the system being measured until it comes to equilibrium, at which point the readout is related to the final energy state of the thermometer. A recent paper noted that with a quantum thermometer consisting of a single spin/qubit, temperature discrimination is better achieved at finite times rather than once equilibration is essentially complete. Furthermore, preparing a qubit thermometer in a state with quantum coherence instead of an incoherent one improves its sensitivity to temperature differences. Implementing a recent proposal for efficiently emulating an arbitrary quantum channel, we use the quantum polarisation state of individual photons as models of "single-qubit thermometers" which evolve for a certain time in contact with a thermal bath. We investigate the optimal thermometer states for temperature discrimination, and the optimal interaction times, confirming that there is a broad regime where quantum coherence provides a significant improvement. We also discuss the more practical question of thermometers composed of a finite number of spins/qubits (greater than one), and characterize the performance of an adaptive protocol for making optimal use of all the qubits.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,665
Score d'incertitude au seuil0,782

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,030
Tête enseignante GPT0,255
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetQuantum Information and CryptographyTravaux en français237 207