BriefGPT - AI 论文速递
·
多项式时间中学习任意温度下的量子哈密顿量
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
该文介绍了如何通过机器学习预测哈密顿量族的基态及其性质。利用物理约束和预测密度矩阵的正定核可以改进样本复杂度，特别是在强局部性的情况下，样本数可以进一步降低。
🎯
关键要点
-
通过机器学习预测哈密顿量族的基态及其性质。
-
泛型缝合哈密顿量的精确预测需要指数级样本复杂度。
-
当物理参数维度 $m$ 为有限常数且精度为主要关注点时，可以改进样本复杂度。
-
利用物理约束和预测密度矩阵的正定核可以获得样本复杂度的指数级改进。
-
在强局部性的情况下，样本数可以进一步降低。
➡️
