从统计学习浅层量子电路的噪声容忍性及量子伪随机性的成本
内容提要
本文研究了浅层量子电路与经典神经网络之间的量子经典分离，探讨了分类问题在有无噪声情况下的表现。结果表明，经典神经网络需要较深的结构才能有效输出。同时，分析了噪声对量子设备性能的影响，并提出了鲁棒的学习算法和量子统计查询模型，以提高量子计算的效率和准确性。
延伸解读
噪声阈值决定量子优势的存亡
文章基于退极化噪声模型给出了浅层量子电路与经典神经网络分离的噪声阈值：当噪声强度低于系统大小的逆多项式时，分离持续存在；当噪声强度高于逆对数多项式时，分离消失。这意味着近期量子设备若想保持计算优势，必须将噪声控制在极低水平，且系统规模越大，对噪声的要求越苛刻。
恒定噪声下浅层Clifford电路无优势
对于具有恒定噪声强度的量子设备，文章证明无论采用何种学习模型，任何由浅层Clifford电路定义的分类任务都不存在超多项式的经典-量子分离。这表明在恒定噪声下，浅层Clifford电路可被经典算法高效模拟，无法提供量子优势，为判断近期量子设备能否实现量子优势提供了理论边界。
鲁棒学习算法与统计查询模型
文章提出了鲁棒的学习算法和量子统计查询模型，以提高量子计算的效率和准确性。这些算法在特定噪声条件下仍能保持量子经典分离，并适用于统计查询模型中的不可学习概念类。这为在噪声环境中设计有效的量子学习方案提供了理论工具，并扩展了量子统计查询模型的应用范围。
Q&A
浅层量子电路与经典神经网络之间的量子经典分离是什么？
浅层量子电路与经典神经网络之间的量子经典分离是指在分类问题中，量子电路能够在无噪声情况下以更高的效率输出，而经典神经网络需要更深的结构才能达到相似的效果。
噪声对量子设备性能的影响是什么？
噪声会显著影响量子设备的性能，特别是在强噪声条件下，量子经典分离可能会消失，导致量子电路的输出不如经典神经网络。
如何提高量子计算的效率和准确性？
可以通过提出鲁棒的学习算法和有效的噪声容错算法来提高量子计算的效率和准确性，这些算法能够在统计查询模型中处理不可学习的概念类。
在什么条件下量子经典分离会持续存在？
量子经典分离会在噪声强度相对于系统大小的逆多项式被上界限制的情况下持续存在。
经典神经网络在有噪声情况下的表现如何？
经典神经网络在有噪声情况下需要较深的结构才能有效输出，表现不如无噪声的浅层量子电路。
什么是鲁棒的浅阴影协议？
鲁棒的浅阴影协议是一种实验方法，能够在保持较低样本复杂性的同时，正确恢复量子状态的属性，如期望值、保真度和纠缠熵。
