IOP出版社联手松山湖材料实验室推出全新开放获取期刊——Materials Futures

会议日期：9 November—21 November 2025 会议地点：Conference Room M425, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences, Wuhan, China 会议链接：https://sciforum.net/event/iwiI?subscribe&section=#welcome Over the past two decades, the study of integrability and exactly-solved models has advanced rapidly across diverse frontiers. In high energy physics, the discovery of integrable structures in higher-dimensional gauge theories and string...

本研究来自中国科学院数学与系统科学研究院尚云课题组。本文创新性地提出了首个基于量子行走的普适性高维纠缠分发方案。通过设计新型量子中继模块，实现了无需高维联合测量的Bell态和GHZ态分发，基于Steiner树的动态路径算法，实现任意拓扑网络的纠缠分发，并在超导量子处理器上成功验证了两方/三方二维纠缠分发（保真度最高达79.8%）。特别构建的Sierpinski分形量子网络展现出更优的量子游走扩散特性，为大规模量子网络提供了兼具高效性和可扩展性的新范式。 文章介绍 Entanglement distribution based on quantum walk inarbitrary quantum networks Tianen Chen（陈天恩）, Yun Shang（尚云）, Chitong Chen（陈驰通） and Heng Fan（范桁） 通讯作者： 尚云，中国科学院数学与系统科学研究院   研究背景： 量子网络发展面临高维纠缠分发的关键挑战：传统中继器难以实现高维贝尔态/GHZ态的联合测量，且缺乏网络拓扑适应性。虽然量子行走具有相干性和平台兼容性优势，但现有方案依赖非局域操作。本研究旨在通过量子游走设计一种无需高维联合测量并支持任意网络拓扑的普适性纠缠分发框架，从而实现大规模网络上的高维纠缠态分发。通过结合理论创新与超导量子实验，为未来量子网络的可扩展性和容错性奠定基础。   研究内容： 1、基于量子游走的高维纠缠分布模块化方案： 利用多硬币量子游走操作，将局域节点的高维Bell态或GHZ态扩展为远程纠缠。通过设计树形量子网络上的纠缠分发方案并利用Steiner树结构，提出适配任意量子网络的高维纠缠分发方案。 2、构建分形量子网络： 基于Sierpinski垫片结构，利用GHZ态的纠缠分发来连接节点，构建新分形网络。并分析其上的量子游走扩散特性，发现其传输效率较经典分形网络有显著提升。   3、在超导量子处理器上验证2维情况的核心模块： 两方分发：使用两Bell态或GHZ态，通过量子游走操作分布纠缠，保真度分别达79.8(2.0)%和54.3(3.2)%；三方分发：结合三Bell态或GHZ态，实现三方GHZ态分发，保真度分别54.4(1.1)%和47.0(0.7)%。   关键成果与重要性： 创新性地利用量子行走的并行特性，提出首个无需高维联合测量的纠缠分发协议，将高维纠缠分发转化为单粒子局域测量；设计基于Steiner树的动态路径算法，实现任意拓扑网络的纠缠分发，实验模块可直接嵌入现有量子中继器架构，推动实用化进程；构建的Sierpinski分形网络展现出更优的量子扩散特性，为复杂量子网络设计提供新思路。结合分形自相似性，支持多层级纠缠资源共享，提升网络容错性和可扩展性。 作者介绍 尚云  研究员 中国科学院数学与系统科学研究院 尚云，中国科学院数学与系统科学研究院研究员，博士生导师，CCF杰出会员。长期从事量子计算基础理论、量子游走、量子机器学习研究。目前已在npj Quantum information, Theoretical Computer Science, Quantum Science and Technology等国际知名期刊发表60多篇文章。曾获CCF科学技术奖自然科学二等奖。 期刊介绍 Quantum Science and...

正在寻找物理学各分支领域的最新研究成果？我们已为您精选了Chinese Physics Letters（CPL）期刊于2024年发表的部分代表性文章，全面展示本刊在学术质量与研究广度方面的卓越表现。   阅读本合集，您将可以： 节省时间，高效获取最新研究成果； 全面掌握各物理领域的前沿动态； 获取经过IOP出版社严格同行评审的可靠科学成果。   如果您有意向在CPL期刊投稿，您的研究将会： 与高质量研究同行：借助IOP出版社权威、公正、具有建设性的审稿流程，您的成果将与领域内高水平研究并肩发表。 让研究迅速被看见：平均28天即可获得初审结果，助您快速触达目标读者群体。 获得应有的认可：CPL期刊通过设立奖项，表彰作者的辛勤付出与卓越贡献，助您向学术界展示研究成果与影响力。 支持全球物理研究、教育与科普事业：CPL由中国科学院物理研究所和中国物理学会主办，由IOP出版社出版。IOP出版社作为全球领先的学会出版社，其利润均用于支持英国物理学会（IOP）推动的全球科研、教育与科普项目。这意味着，您的论文将为全球物理事业的发展贡献力量。   >>欢迎您点击此处链接，查看CPL期刊2024年亮点文章合集。 精选文章 Signature of Superconductivity in Pressurized La4Ni3O10 Qing Li et al 2024 Chinese Phys. Lett. 41 017401   High-Temperature Superconductivity in La3Ni2O7 Kun Jiang et al 2024 Chinese Phys. Lett. 41 017402   Observation of Zero-Energy Modes with Possible Time-Reversal Symmetry Breaking on Step Edge of CaKFe4As4 Lu Cao et...

我们非常高兴地宣布，IOP出版社旗下三本全新开放获取期刊——Machine Learning: Engineering（MLEng）、Machine Learning: Health（MLHealth） 和 Machine Learning: Earth（MLEarth） 的第一期文章现已正式上线！ 这三本跨学科期刊分别聚焦机器学习、人工智能及数据驱动计算方法在工程、医学与健康科学，以及地球、环境与气候科学等领域的应用，致力于推动相关学科的研究进展与实际应用。 三本期刊的主编分别撰写了特别社论： Jay Lee教授在MLEng创刊社论中介绍了期刊如何推动严谨、跨学科的人工智能与机器学习工程研究，打造创新与解决实际应用的平台。 Jimeng Sun教授在MLHealth创刊社论中强调期刊将致力于推动医学与健康科学中伦理、可复现的人工智能研究，助力解决现实问题。 Pierre Gentine教授在MLEarth创刊社论中阐述了期刊如何通过数据驱动的机器学习研究，深入理解地球系统，推动环境领域的跨学科解决方案。   即日起至2025年底，IOP出版社将免除这三本期刊的文章出版费用（APC）。这意味着作者可以免费将研究成果以开放获取形式发表，最大程度提升文章可见度，无需任何费用。立即将您的下一篇研究成果投稿至MLEng、MLHealth或MLEarth，与全球研究者共同推动人工智能与机器学习的学术和应用前沿！   为什么选择向Machine Learning期刊系列投稿？ 广泛的跨学科范围：汇聚各领域人工智能与机器学习研究者，共同推动科学进步。 提升研究影响力：完全开放获取，免费向全球读者开放，扩大研究传播范围。 严格的出版标准：仅接收在各自领域具有重要突破的高质量文章。 严谨的同行评审：由IOP出版社全球专家审稿人网络和权威编委会全程把关。 学会主办、回馈科研：IOP出版社为英国物理学会旗下出版机构，所有利润均用于支持全球科学研究、教育和科普事业。   您可以点击下方链接，立即阅读第一期文章，探索最新研究成果： MLEng：https://iopscience.iop.org/issue/3049-4761/1/1 MLHealth：https://iopscience.iop.org/issue/3049-477X/1/1 MLEarth：https://iopscience.iop.org/issue/3049-4753/1/1 期刊介绍 Machine Learning: Engineering Machine Learning: Engineering是一本多学科开放获取期刊，致力于在所有工程领域应用机器学习、人工智能数据驱动的计算方法。该期刊还发表介绍机器学习和人工智能在方法、理论或概念上的进展，并将其应用于所有工程领域的研究。   Machine Learning: Health Machine Learning: Health是一本多学科开放获取期刊，致力于在医疗保健、医学、生物、临床和健康科学领域应用机器学习、人工智能和数据驱动的计算方法。该期刊还发表机器学习和人工智能在方法、理论或概念上的进展，并将其应用于医学和健康科学的研究。   Machine Learning: Earth Machine Learning: Earth是一本多学科开放获取期刊，致力于在地球、环境、气候科学、可持续发展的所有领域应用机器学习、人工智能和数据驱动的计算方法。该期刊发表应用数据驱动方法的研究报告，这些方法提高了我们对地球系统的认识，以及对生物圈、水圈、冰冻圈、大气圈和地圈之间相互作用的认识。

特刊详情 客座编辑 兰阳，英国伦敦大学学院 姜忠义，天津大学 Marc-Olivier Coppens，英国伦敦大学学院   主题范围 This special issue will focus on advances in membrane technologies inspired by nature to address global sustainability challenges. It will delve into the development, characterization, and application of these membranes, emphasizing their significance in sustainable processes. Key topics include: Design and fabrication of nature-inspired membranes, showcasing advances...

本期内容来自Environmental Research Letters (ERL)与Environmental Research: Climate (ERCL)期刊，涵盖热带生态系统碳储量、老龄化社会长期照护的碳足迹、蛋白质转型、极端气候对食品价格的影响、以及气候适应中的信息价值等热点话题。 >>点击此处链接，订阅环境领域最新资讯。 精选文章 Projected shrinking of tropical vegetation biomass potential with future hydroclimate shifts Félicien Meunier, Marijn Bauters, Pascal Boeckx, Philippe Ciais, Steven J De Hertog, Wim Thiery, Yitong Yao and Hans Verbeeck This research in ERL highlights that tropical ecosystems are projected to experience significant declines in vegetation biomass potential...