利用 Chebyshev 和位复杂度在多项式时间内学习任意温度下的量子哈密顿量
内容提要
该文综述量子哈密顿量学习进展,提出多项式时间算法,利用已知逆温度Gibbs态精确学习局部哈密顿量H至精度ε,具最优样本与时间复杂度;类似算法可从实时演化算符e^{-itH}学习H。还涵盖量子增强分治、Bayesian在线学习、稀疏哈密顿量模拟及浅层量子电路高效学习等方法。
延伸解读
算法效率与最优性
文章提出的多项式时间算法在样本复杂度和时间复杂度上均达到最优,这意味着学习局部量子哈密顿量H至精度ε所需的资源与问题规模呈多项式关系,且无法进一步显著减少。这一结果对于量子系统学习具有理论上的重要意义,表明在给定Gibbs态的条件下,学习任务可以达到效率极限。
从实时演化中学习
除了利用Gibbs态,几乎相同的算法也可从实时演化算符e^{-itH}中学习H,且样本和时间复杂度相似。这提供了另一种学习哈密顿量的途径,可能适用于不同实验场景,例如当系统自然演化或可控演化时,为量子哈密顿量学习提供了灵活性。
相关方法概览
文章还涵盖了量子增强分治、Bayesian在线学习、稀疏哈密顿量模拟及浅层量子电路高效学习等方法。这些方法从不同角度解决哈密顿量学习或模拟问题,例如分治策略用于多体系统,Bayesian方法实现在线适应,稀疏模拟提升效率,浅层电路学习则针对近期量子设备。
Q&A
如何利用Gibbs态在多项式时间内学习量子哈密顿量?
通过已知逆温度下的Gibbs态,使用多项式数量的Gibbs态,可以在多项式时间内精确学习局部量子哈密顿量H至精度ε,且算法具有最优的样本复杂度和时间复杂度。
从实时演化算符e^{-itH}学习哈密顿量的算法复杂度如何?
几乎相同的算法可以用于从实时演化幺正算符e^{-itH}中学习H,具有相似的样本和时间复杂度。
量子增强分治方法如何用于学习多体哈密顿量?
使用量子增强的分治方法,将多体哈密顿量拆分为非相互作用的小块,实现亥姆霍兹极限,从而学习相互作用的N-qubit局部哈密顿量。
Bayesian在线学习哈密顿量方法有什么特点?
Bayesian Hamiltonian学习(BHL)方法可以在线适应性地评估量子系统的哈密顿量,通过实验数据更新预测结果,解决量子设备噪声诊断和哈密顿量学习问题,在高达100个量子位的数值模拟中验证了可扩展性和准确性。
如何高效模拟稀疏哈密顿量的动力学?
存在一种量子算法,可以在误差倒数的次对数时间内模拟稀疏哈密顿量的动力学,查询复杂度不依赖于作用的量子位数,门复杂度对哈密顿量的导数阈值的对数级,是之前方法的指数级改进。
学习浅层量子电路的多项式时间经典算法是什么?
使用单比特测量数据和局部逆置的量子电路表示,可以高效地学习难以模拟的量子电路,该算法是多项式时间的经典算法。