Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Oscilador de Dirac em (2+1) dimensões e o seu mapeamento no Modelo Anti-Jaynes-Cummings

Matheus Diniz Moro, Thiago Takaji Tsutsui, Fabiano M. Andrade

Published Jan 1, 2026• 0 citations
Publisher

Abstract

Anais do <WECIQ|WCQ>: Workshop-Escola de Computação e Informação Quântica e Workshop de Computação Quântica - UFSC (978-65-272-2250-7) - Oscilador De Dirac Em (2+1) Dimensões E O Seu Mapeamento No Modelo Anti-Jaynes-Cummings
DOI
10.29327/9786527222507.1263622

Related papers

MAPEAMENTO EXATO ENTRE O OSCILADOR DE DIRAC E O SISTEMA DE JAYNES-CUMMINGS EM (2+1)

Gustavo M. Uhdre, Fabiano M. Andrade

Semana da Física•Jan 1, 2018•0 citations

Efeito dos termos contra-girantes no modelo de Jaynes-Cummings

Alessandro Paulo Servio de Moura

Em estudos do modelo de Jaynes-Cummings, a chamada Aproximação de Onda Girante, que consiste em desprezar os termos antiressonantes da Hamiltoniana de interação, é em geral assumida desde o início, devido (entre outras coisas) à extrema simplificação resultante no tratamento do problema.Neste trabalho, estudamos em detalhes a influência dos termos contra-girantes no modelo.Primeiramente, investigamos as diferenças na dinâmica do sistema devido a estes termos, em particular nos fenômenos de colapso e "reviva]", bem conhecidos da óptica quântica.Comparamos os resultados fornecidos pela teoria de perturbações com aqueles obtidos por cálculo numérico, e analizamos exatamente em que condições os termos contra-girantes podem ser desprezados.

•Feb 3, 1997•0 citations

Localização de Anderson em cadeias de spin para transferência perfeita de estado

Rogério Oliveira dos Santos, Eduardo Kronbauer Soares, Fabiano M. Andrade

Anais do <WECIQ|WCQ>: Workshop-Escola de Computação e Informação Quântica e Workshop de Computação Quântica - UFSC (978-65-272-2250-7) - Localização De Anderson Em Cadeias De Spin Para Transferência Perfeita De Estado

•Jan 1, 2026•0 citations

Two and k-Photon Jaynes–Cummings Models and Dirac Oscillator Problem in Bargmann–Segal Representation

H. Panahi, S. Asghari Rad

International Journal of Theoretical Physics•Jul 4, 2013•6 citations

Advances in quantum neural networks

Paula Neto, Fernando Maciano de

Redes Neurais Artificiais (RNA) têm sido utilizadas como modelos computacionais que aprendem a partir de um conjunto de dados e são capazes de extrapolar esse conhecimento a partir das generalizações inerentes ao seu processo de decisão. Com o crescimento da computação quântica como novo paradigma de processamento de informação, modelos quânticos de redes neurais têm sido propostos para coadunar os benefícios da computação quântica com os benefícios das RNAs. Os modelos quânticos de RNA existentes assumem a dificuldade de implementar a não-linearidade intrínseca dos neurônios que compõem a RNA, uma vez que tradicionalmente a computação quântica possui apenas operadores unitários. Há algumas propostas na literatura de modelos de neurônios que simulam essa não-linearidade, mas elas aparecem simulando alguma função não-linear específica, como a função de limiar ou arco-tangente. Há ainda as RNAs que possuem comportamento de memória associativa, fazendo a recuperação de informação a partir de uma entrada igual ou parecida com seus padrões armazenados. A implementação desses modelos envolve duas etapas, o processo de armazenamento e a recuperação de informação. Os modelos quânticos de memória associativa têm utilizado a superposição quântica para armazenamento e alguns modelos foram propostos para recuperação de informação. Nesse trabalho estendemos o funcionamento não-linear do Perceptron, permitindo que um neurônio quântico execute qualquer função não-linear discreta. O modelo proposto permite que o neurônio possa simular o comportamento dos neurônios clássicos assim como utilizar dos recursos intrínsecos da computação quântica como superposição e emaranhamento. Há também a proposição de um neurônio que possui memória interna e que pode armazenar informações de iterações anteriores a medida que ele é executado. Esse modelo permite incorporar informações espaço-temporais em seu modelo. Em termos de memórias associativas, propusemos a utilização de dois modelos de recuperação probabilística de informação, um não linear e outro linear, utilizando os algoritmos quânticos de Grover e transformada inversa de Fourier. Esse modelo de memória permite reconhecer informações óximas ou iguais ao conteúdo que está na memória e possui custo linear de operação.

•Nov 23, 2018•0 citations

Dirac Oscillator in Noncommutative Phase Space and (Anti)-Jaynes-Cummings Models

Zhiyu Luo, Qing xiang Wang, Xiao Li +1 more

International Journal of Theoretical Physics•Feb 20, 2012•18 citations
Em estudos do modelo de Jaynes-Cummings, a chamada Aproximação de Onda Girante, que consiste em desprezar os termos antiressonantes da Hamiltoniana de interação, é em geral assumida desde o início, devido (entre outras coisas) à extrema simplificação resultante no tratamento do problema.Neste trabalho, estudamos em detalhes a influência dos termos contra-girantes no modelo.Primeiramente, investigamos as diferenças na dinâmica do sistema devido a estes termos, em particular nos fenômenos de colapso e "reviva]", bem conhecidos da óptica quântica.Comparamos os resultados fornecidos pela teoria de perturbações com aqueles obtidos por cálculo numérico, e analizamos exatamente em que condições os termos contra-girantes podem ser desprezados.
Redes Neurais Artificiais (RNA) têm sido utilizadas como modelos computacionais que aprendem a partir de um conjunto de dados e são capazes de extrapolar esse conhecimento a partir das generalizações inerentes ao seu processo de decisão. Com o crescimento da computação quântica como novo paradigma de processamento de informação, modelos quânticos de redes neurais têm sido propostos para coadunar os benefícios da computação quântica com os benefícios das RNAs. Os modelos quânticos de RNA existentes assumem a dificuldade de implementar a não-linearidade intrínseca dos neurônios que compõem a RNA, uma vez que tradicionalmente a computação quântica possui apenas operadores unitários. Há algumas propostas na literatura de modelos de neurônios que simulam essa não-linearidade, mas elas aparecem simulando alguma função não-linear específica, como a função de limiar ou arco-tangente. Há ainda as RNAs que possuem comportamento de memória associativa, fazendo a recuperação de informação a partir de uma entrada igual ou parecida com seus padrões armazenados. A implementação desses modelos envolve duas etapas, o processo de armazenamento e a recuperação de informação. Os modelos quânticos de memória associativa têm utilizado a superposição quântica para armazenamento e alguns modelos foram propostos para recuperação de informação. Nesse trabalho estendemos o funcionamento não-linear do Perceptron, permitindo que um neurônio quântico execute qualquer função não-linear discreta. O modelo proposto permite que o neurônio possa simular o comportamento dos neurônios clássicos assim como utilizar dos recursos intrínsecos da computação quântica como superposição e emaranhamento. Há também a proposição de um neurônio que possui memória interna e que pode armazenar informações de iterações anteriores a medida que ele é executado. Esse modelo permite incorporar informações espaço-temporais em seu modelo. Em termos de memórias associativas, propusemos a utilização de dois modelos de recuperação probabilística de informação, um não linear e outro linear, utilizando os algoritmos quânticos de Grover e transformada inversa de Fourier. Esse modelo de memória permite reconhecer informações óximas ou iguais ao conteúdo que está na memória e possui custo linear de operação.