用量子糾纏當GPS,無訊號地區也能精準定位了
量子糾纏(quantum entanglement)是指粒子之間發生的一種特殊耦合現象。在糾纏態下,我們無法單獨描述各個粒子的性質,只能描述整體系統的性質的現象,這種影響不隨距離的改變而消失,即使粒子之間相隔整個宇宙也不會改變。
一項新的研究表明,使用量子糾纏機制,感測器可以在檢測運動時更加準確且更快。科學家認為,這些發現可能有助於發展不依賴 GPS 的導航系統。
在美國亞利桑那大學等機構在《Nature Photonics》提交的一項新研究中,研究人員對光機械感測器(optomechanical sensor)進行了實驗,其使用光束對幹擾進行響應。這些感測器如用作加速度計,智慧型手機可以使用它來檢測運動。另一方面,加速度計也可用於 GPS 訊號不佳區域的慣性導航系統,如地下、水下、建築物內部、偏遠地區以及無線電訊號受干擾的地方。
論文《Entanglement-enhanced optomechanical sensing》:
論文連結:https://www.nature.com/articles/s41566-023-01178-0
為了提升光機械感的性能,研究人員嘗試使用糾纏,愛因斯坦稱之為“幽靈般的遠距離作用”。糾纏的粒子基本上是同步的,不管它們相距有多遠。
研究人員希望在未來兩年內獲得原型糾纏加速度計晶片。
量子糾纏雖然無視距離,但也極易受到外界幹擾。量子感測器利用了這種敏感性來幫助檢測周圍環境中最輕微的干擾。
「先前我們對量子增強光機械感測的研究,主要集中在提高單一感測器的靈敏度上,」該研究的主要作者、亞利桑那大學圖森分校的量子物理學家Yi Xia 表示。 「然而,最近的理論和實驗研究表明,糾纏可以大幅提高多個感測器之間的靈敏度,這種方法被稱為分佈式量子感測。」
光機械感測器的機制依賴兩個同步的雷射光束。一束光束被稱為振盪器的組件反射,振盪器的任何運動都會改變光線在到達偵測器的途中傳播的距離。當第二條光束與第一條光束重疊時,任何此類行進距離差異都會顯現出來。如果感測器靜止不動,則兩個光束完全對齊;如果感測器移動,重疊的光波會產生干涉圖案,可透露感測器運動的大小和速度。
這項新研究中,亞利桑那大學Dal Wilson 小組的感測器使用膜作為振盪器,它的作用很像是敲擊後振動的鼓皮。
在這裡,研究人員沒有讓一束光束照射一個振盪器,而是將一束紅外線雷射光束分成兩束糾纏光束,它們從兩個振盪器反射到兩個探測器上。這種光的糾纏性質本質上讓兩個感測器分析一束光,從而共同提高速度和精度。
「我們可以利用糾纏來增強多個光機械感測器的力感測性能,」該研究的主要作者、密西根大學安娜堡分校的量子物理學家Zheshen Zhang 說。
此外,為了提高設備的精確度,研究人員採用了所謂的「壓縮光」。壓縮光利用了量子物理學的一個關鍵原則:海森堡的測不準原理(海森堡不確定性原理),該原理指出,粒子的位置確定,動量就完全不確定,動量確定,位置就完全不確定。壓縮光利用這種權衡來「壓縮」或減少給定變數測量的不確定性—— 在這種情況下,構成雷射光束的波的相位,同時增加了另一個變數測量的不確定性,但研究人員可以忽略。
「我們是少數能夠製造壓縮光源的團隊之一,目前正在探索將其作為下一代精密測量技術的基礎,」Zheshen Zhang 說道。
總而言之,科學家們能夠收集到的測量結果比使用兩個未糾纏的光束更精確 40%,並且速度提高了 60%。此外他們表示,這種方法的精度和速度預計會隨著感測器數量的增加而增加。
「這些發現意味著我們可以進一步將超精密力傳感的性能提升到前所未有的水平,」Zheshen Zhang 表示。
研究人員表示,改良光機械感測器不僅可以帶來更好的慣性導航系統,還可以幫助探測暗物質和重力波等神秘現象。暗物質是一種不可見的物質,被認為佔宇宙中所有物質總量的六分之五,檢測它可能產生的引力效應可以幫助科學家弄清楚它的性質。重力波是時空結構中的漣漪,可以幫助揭示從黑洞到大爆炸的奧秘。
下一步,科學家們計畫將他們的系統小型化。目前人們已經可以在只有半公分寬的晶片上放置壓縮光源。在未來一兩年內,我們有望擁有原型晶片,其中包括壓縮光源、分束器、波導和慣性感測器。 「這將使這項技術更實用、更實惠、更容易獲取,」Zheshen Zhang 說道。
此外,研究團隊目前正在與霍尼韋爾、噴射推進實驗室、NIST 和其他幾所大學合作開發晶片級量子增強慣性測量單元。 Zheshen Zhang 表示:「我們的願景是在自動駕駛車輛和太空船中部署此類整合感測器,以在沒有 GPS 訊號的情況下實現精確導航。
以上是用量子糾纏當GPS,無訊號地區也能精準定位了的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

大規模語言模型(LLMs)在許多重要任務中展現了引人注目的能力,包括自然語言理解、語言生成和複雜推理,並對社會產生了深遠的影響。然而,這些出色的能力卻需要大量的訓練資源(如左圖)和較長的推理時間(如右圖)。因此,研究人員需要開發有效的技術手段來解決它們的效率問題。此外,從圖的右邊還可以看出,一些高效率的LLMs(LanguageModels)如Mistral-7B,已經成功應用於LLMs的設計和部署中。這些高效的LLMs在保持與LLaMA1-33B相近的準確性的同時,能夠大大減少推理內存

3奈米製程,性能超越H100!最近,根據外媒DigiTimes爆料,英偉達正在開發下一代GPU,代號為「Blackwell」的B100據稱,作為面向人工智慧(AI)和高性能計算(HPC)應用的產品,B100將採用台積電的3nm工藝過程,以及更為複雜的多晶片模組(MCM)設計,並將於2024年第四季現身。對於壟斷了人工智慧GPU市場80%以上份額的英偉達來說,則可以藉著B100趁熱打鐵,在這波AI部署的熱潮中進一步狙擊AMD、英特爾等挑戰者。根據英偉達的估計,到2027年,該領域的產值預計將達到約

近年來,多模態學習受到重視,特別是文字 - 圖像合成和圖像 - 文字對比學習兩個方向。一些 AI 模型因在創意圖像生成、編輯方面的應用引起了公眾的廣泛關注,例如 OpenAI 先後推出的文本圖像模型 DALL・E 和 DALL-E 2,以及英偉達的 GauGAN 和 GauGAN2。谷歌也不甘落後,在 5 月底發布了自己的文字到圖像模型 Imagen,看起來進一步拓展了字幕條件(caption-conditional)圖像生成的邊界。僅僅給出一個場景的描述,Imagen 就能產生高品質、高解析度

多模態大模型最全綜述來了!由微軟7位華人研究員撰寫,足足119頁——它從目前已經完善的和還處於最前沿的兩類多模態大模型研究方向出發,全面總結了五個具體研究主題:視覺理解視覺生成統一視覺模型LLM加持的多模態大模型多模態agent並專注於一個現象:多模態基礎模型已經從專用走向通用。 Ps.這也是為什麼論文開頭作者就直接畫了一個哆啦A夢的形象。誰適合閱讀這份綜述(報告)?用微軟的原話來說:只要你有興趣學習多模態基礎模型的基礎知識和最新進展,無論你是專業研究員還是在校學生,這個內容都非常適合你一起來

時隔四個月,ByteDanceResearch與北京大學物理學院陳基課題組又一合作工作登上國際頂級刊物NatureCommunications:論文《TowardsthegroundstateofmoleculesviadiffusionMonteCarloonneuralnetworks》將神經網絡與蒙特卡洛方法結合,大幅提升神經網絡方法在量子化學相關任務上的運算精度、效率、體系規模,成為最新SOTA。論文連結:https://www.nature.com

影像到影片生成(I2V)任務是電腦視覺領域的一項挑戰,旨在將靜態影像轉化為動態影片。這個任務的困難在於從單張影像中提取並產生時間維度的動態訊息,同時保持影像內容的真實性和視覺上的連貫性。現有的I2V方法通常需要複雜的模型架構和大量的訓練資料來實現這一目標。近期,快手主導的一項新研究成果《I2V-Adapter:AGeneralImage-to-VideoAdapterforVideoDiffusionModels》發布。該研究引入了一種創新的圖像到視頻轉換方法,提出了一種輕量級適配器模組,即I

兩位獲得2022年玻爾茲曼獎的科學家已經公佈,這個獎項由IUPAP統計物理委員會(C3)設立,旨在表彰在統計物理學領域取得傑出成就的研究者。獲獎者必須是之前沒有獲得玻爾茲曼獎或諾貝爾獎的科學家。這個獎項始於1975年,每三年頒發一次,以紀念統計物理學的奠基人路德維希·玻爾茲曼DeepakDharistheoriginalstatement.獲獎理由:表彰DeepakDharistheoriginalstatement.對統計物理學領域作出的開創性貢獻,包括自組織臨界模型的精確解、界面生長、無序

EfficientSAM這篇工作以5/5/5滿分收錄於CVPR2024!作者在某社群媒體上分享了這個結果,如下圖所示:LeCun圖靈獎得主也強烈推薦了這份工作!在近期的研究中,Meta研究者提出了一種新的改進方法,即使用SAM的遮罩影像預訓練(SAMI)。此方法結合了MAE預訓練技術和SAM模型,旨在實現高品質的預訓練ViT編碼器。透過SAMI,研究者試圖提高模型的表現和效率,為視覺任務提供更好的解決方案。這項方法的提出為進一步探索和發展電腦視覺和深度學習領域帶來了新的思路和機會。透過結合不同的
