Multiwalled carbon nanotubes (MWNTs) have unique mechanical properties and are ideal candidates for high-performance composites. Elastic measurements, performed with an atomic force microscope, are described for MWNTs produced by two methods: the arc-discharge method and the thermal decomposition of hydrocarbons in the presence of catalysts. Extended stacking defects, such as produced in the second production method (which unlike the first can yield almost continuous production of long fibers), are shown to have a much larger effect than point defects on the elastic properties of the nanotubes.

The quantum superposition principle states that an entity can exist in two different states simultaneously, counter to our 'classical' intuition. Is it possible to understand a given system's behaviour without such a concept? A test designed by Leggett and Garg can rule out this possibility. The test, originally intended for macroscopic objects, has been implemented in various systems. However to date no experiment has employed the 'ideal negative result' measurements that are required for the most robust test. Here we introduce a general protocol for these special measurements using an ancillary system, which acts as a local measuring device but which need not be perfectly prepared. We report an experimental realization using spin-bearing phosphorus impurities in silicon. The results demonstrate the necessity of a non-classical picture for this class of microscopic system. Our procedure can be applied to systems of any size, whether individually controlled or in a spatial ensemble. Quantum mechanics predicts that objects can simultaneously exist in a superposition of two states. Kneeet al.propose and demonstrate experimentally a protocol which fully confirms this prediction, by testing the so-called Leggett–Garg inequality in a non-invasive manner.

Abstract The potential of Si and SiGe-based devices for the scaling of quantum circuits is tainted by device variability. Each device needs to be tuned to operation conditions and each device realisation requires a different tuning protocol. We demonstrate that it is possible to automate the tuning of a 4-gate Si FinFET, a 5-gate GeSi nanowire and a 7-gate Ge/SiGe heterostructure double quantum dot device from scratch with the same algorithm. We achieve tuning times of 30, 10, and 92 min, respectively. The algorithm also provides insight into the parameter space landscape for each of these devices, allowing for the characterization of the regions where double quantum dot regimes are found. These results show that overarching solutions for the tuning of quantum devices are enabled by machine learning.