量子力学 学习

news2025/1/12 13:48:45

在这里插入图片描述
对于同一个竖直向上量子比特,不对他进行任何的干扰,进行第一次水平测试实验会随机得到一个一或者负一,之后再进行多少次水平测试实验都与第一次的试验结果是相同的。
我们换用其他的竖直向上量子比特,或者对原来的量子比特进行干扰,对原来那个竖直向上的量子比特进行干扰,当然还是要最后还是要保证它是竖直向上的,再进行水平测试实验,这一次,我们不一定会得到和上一段当中的一样的实验结果,也就是说,当量子比特被干扰或者是被更换之后的实验和前一次实验是独立的。但是当第一次实验完成之后,如果不对量子比特做任何的干扰,那么,实验结果将和第一次永远保持相同。(观察的方向变了,这种观察就变成了干扰)

在这里插入图片描述

bra:左矢,指复数向量|b>的共轭向量<b|
ket:右矢,指复数向量|a>本身

在这里插入图片描述

狄拉克符号:<b|a>

狄拉克符号代表两个复数向量进行内积。

在这里插入图片描述

在这里插入图片描述

内积为0,叫做正交:
在这里插入图片描述

狄拉克符号允许结合律

在这里插入图片描述

在这里插入图片描述
向量(上)和他的共轭向量(下)

在一次具体测自旋实验中,只会得到+1 -1结果,不会得到+1 -1在轴上的分量。但是,多次测量量子的自旋的平均值,量子的自旋就会和经典向量表现相似,这个时候平均值是分量。

在这里插入图片描述

小实验:
对于粒子的自旋方向,我们有AB两个命题,考察A ∨ \vee B,该粒子事先已经被制备为自旋向z轴的正向
A:粒子自旋方向指向z轴的正向。
B:粒子自旋方向指向x轴的正向。
做两次独立的实验:
第一次,
我们先验证B,也就是沿着x轴正向观察,此时,根据上面所讲的粒子实验结果具有的量子特性(只会得到+1,-1,多次实验的平均值应为0,但是我们只验证一次。),我们会有50%的概率观察到+10, 50%的概率观察到-1。
在这次观察后,粒子的自旋方向被我们的观察干扰,变成了沿x轴正向,或是沿x轴负向,这太恐怖了!
随后,我们验证A, 也就是沿着z轴的正向观察,此时,根据上面所讲的粒子实验结果具有的量子特性(只会得到+1,-1,多次实验的平均值应为0,但是我们只验证一次。),我们竟然会有50%的概率观察到-1。
总结起来,A ∨ \vee B这个命题在这个观察次序下,竟然不一定是正确的,会有25%的概率为假。
第二次,
我们先验证A,再验证B,这一次非常幸运,由于该粒子事先已经被制备为自旋向z轴的正向,我们第一次观察A一定会得到一个z轴的正向的结果,那么,A ∨ \vee B这个命题一定是真的。

按照经典理论,A ∨ \vee B一定是真的,不管按什么次序观察,因为经典理论中,观察不会干扰实验。

复数向量空间的性质:

在这里插入图片描述
最重要的那条,内积的顺序交换,结果不再相等,而是互为复共轭。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/457295.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

高阶函数的面试

说说JS原型和原型链 原型&#xff1a;函数都有prototype(显示原型)属性&#xff0c;而prototype会自动初始化一个空对象&#xff0c;这个对象就是原型对象 原型对象中会有一个constructor属性,这个属性将指向了函数本身 实例化对象都有一个_proto_(隐式原型)属性&#xff0c…

Spring基于注解读取和存储对象

目录 一. 存储 Bean 对象 1. 前置工作&#xff1a;配置扫描路径 2. 使用五大类注解存储Bean对象 Controller 命名规则 Service Repository Compoent Configuration 五大类注解之间的关系 3. 使用方法注解存储Bean对象 二. 获取 Bean 对象 1. 属性注入 优点分析 缺…

详解C语言string.h中常用的14个库函数(二)

本篇博客继续讲解string.h中的库函数。在上一篇博客中&#xff0c;我介绍了strlen, strcpy, strcat, strcmp这4个字符串操作函数&#xff0c;本篇博客会继续介绍strncpy, strncat, strncmp这3个类似的函数。 strcpy, strcat, strcmp这3个函数是长度不受限制的字符串操作函数&a…

预算约束下营销效果优化的端到端框架(快手)

目录 翻译&#xff1a;预算约束下营销效果优化的端到端框架 1介绍 2 .相关工作 2.1预算分配 2.2梯度估计 3我们的端到端框架 3.1符号 ​3.2两阶段范式 3.3 Marketing Goal as a Regularizer 3.4梯度估计 ​3.5训练 4实验结果 4.1数据集 4.2评价指标 4.3实现细节 …

Windows环境下NVM安装后Node/NPM命令无法使用

问题&#xff1a;Windows环境下安装nvm后&#xff0c;使用nvm安装node&#xff0c;无法使用node相关命令。 解决方案&#xff1a;注意安装的时候有两个路径&#xff0c;第一个是nvm所在的路径&#xff0c;第二个是nodejs所在的路径&#xff0c;大家需要在对应的目录下找到路径…

基于SSM的电影订票管理系统

有需要请私信或看评论链接哦 可远程调试 基于SSM的电影订票管理系统 一 介绍 基于SSM的电影订票管理系统&#xff0c;本项目分为前台和后台&#xff0c;登录角色分为普通用户和管理员。用户可注册登录&#xff0c;个人中心&#xff0c;搜索电影&#xff0c;选座购票&#xff…

机器学习——损失函数(lossfunction)

问&#xff1a;非监督式机器学习算法使用样本集中的标签构建损失函数。 答&#xff1a;错误。非监督式机器学习算法不使用样本集中的标签构建损失函数。这是因为非监督式学习算法的目的是在没有标签的情况下发现数据集中的特定结构和模式&#xff0c;因此它们依赖于不同于监督…

QMS-云质说质量 - 5 解决中小企业质量问题的钥匙在哪里?

云质QMS原创 转载请注明来源 作者&#xff1a;王洪石 引言 一个小小的质量问题可能引发蝴蝶效应 日常生活中&#xff0c;我们每天都会遇到各种各样的问题&#xff0c;并随着它们喜怒哀乐。企业也不例外&#xff0c;即使有很好的管理体系以及非常高素质的员工&#xff0c;一些错…

XGBoost模型详解

1.什么是XGBoost&#xff1f; GBDT&#xff0c;它是一种基于boosting增强策略的加法模型&#xff0c;训练的时候采用前向分布算法进行贪婪的学习&#xff0c;每次迭代都学习一棵CART树来拟合之前 t − 1 t-1 t−1 棵树的预测结果与训练样本真实值的残差。XGBoost对GBDT进行了一…

C/C++每日一练(20230424)

目录 1. 只出现一次的数字 &#x1f31f; 2. 有效的括号 &#x1f31f;&#x1f31f; 3. 递归反序正整数 &#x1f31f; &#x1f31f; 每日一练刷题专栏 &#x1f31f; Golang每日一练 专栏 Python每日一练 专栏 C/C每日一练 专栏 Java每日一练 专栏 1. 只出现一次…

《站在巨人的肩膀上学习Java》

Java从诞生距今已经有28年了&#xff0c;在这段时间里&#xff0c;随着Java版本的不断迭代&#xff0c;Java新特性的不断出现&#xff0c;使得Java被使用的越来越广泛。在工程界Java语言一直是大家最喜欢的语言之一&#xff0c;Java一直排行在编程语言热门程度的前3名。 可想而…

ora_scm0导致主机负载高

今天不知道了&#xff0c;几个12.2 RAC出问题&#xff0c;有现场反馈主机负载高&#xff0c;之前连接过该环境&#xff0c;知道是12.2环境&#xff0c;直接top查看&#xff0c;发现ora_scm0经常cpu使用率100%了&#xff0c;查看hydb1主机负载正常 直接上mos文档 12.2 RAC DB B…

字节和阿里,谁的管理模式更先进?

有人说&#xff0c;字节跳动的成功&#xff0c;是商业模式和管理模式的成功。不无道理&#xff0c;相比阿里巴巴以KPI绩效考核、强制淘汰的组织管理模式来说&#xff0c;字节的模式有其先进的地方。 在商业模式上&#xff0c;字节用算法的方式&#xff0c;10倍速地提升了信息分…

2023.04.24 c++第六讲

作业&#xff1a; 1. 手动实现顺序栈&#xff0c;要求实现数据结构中&#xff0c;所有栈的相关操作 #include <iostream> #define MAXSIZE 20 //宏定义&#xff0c;栈的最大容量 using namespace std;template <typename T> class stacklink { pri…

ESXi8.0安装Windows10系统教程

本篇教程主要教大家怎么在ESXi虚拟机上安装Windows10系统&#xff0c;首先安装Windows10需要准备一个ISO系统镜像文件&#xff0c;我们可以去MSDN或者是微软官网下载。 镜像下载教程&#xff1a; 下两种方法都可以下载ISO镜像文件&#xff0c;任选其一下载即可 方法一&#xf…

BDD110 HNLP205879R1设备控制、监视、报警及打印报表等管理功能

​ BDD110 HNLP205879R1设备控制、监视、报警及打印报表等管理功能 基于ABB AC500系列PLC的水泥生产线控制系统 随着中国经济的迅速发展&#xff0c;各行各业对水泥的需求日益增加。目前国内外各大水泥企业纷纷在华兴建大型干法旋窑水泥生产线&#xff0c;这为水泥行业的发展提…

【SWAT水文模型】ArcSWAT安装

SWAT水文模型-ArcSWAT安装 安装ArcSWAT1.1 下载ArcSWAT1.2 安装ArcSWAT1.3 加载ArcSWAT 参考 SWAT水文模型原理及数据库简介可参见另一博客文章-【水文模型】SWAT水文模型原理及数据库简介。 本博客主要介绍ArcSWAT的安装。 安装ArcSWAT 1.1 下载ArcSWAT 安装之前&#xff0…

广域通信网 - 差错控制(停等 ARQ 协议、选择重发 ARQ 协议、后退 N 帧 ARQ 协议)

文章目录 1 概述2 差错控制的办法2.1 停等 ARQ 协议2.2 选择重发 ARQ 协议2.3 后退 N 帧 ARQ 协议 3 扩展3.1 流量控制3.2 网工软考真题 1 概述 #mermaid-svg-ju8w1gQxodkcBbaB {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#me…

【应急响应】后门攻击检测指南Rookit内存马权限维持WINLinux

文章目录 Windows实验常规后门&#xff1a; 网络对外连接查看 自启动测试&#xff1a;隐藏账户映像劫持屏保&登录 Linux实验常规后门&#xff1a;Rootkit后门&#xff1a;GScan rkhunter权限维持后门&#xff1a;GScan rkhunter Web层面&#xff1a;通用系统层面 主机层面后…

网络设备发现工具

什么是网络设备发现 网络设备发现是识别和映射网络基础架构&#xff08;如路由器、交换机、集线器、防火墙、无线接入点、服务器、虚拟机等&#xff09;中存在的设备和接口的过程。网络发现是网络管理的第一步&#xff0c;也是成功监控解决方案的关键。该过程不仅涉及发现网络…