BriefGPT - AI 论文速递
·
有限门量子电路线性属性的高效学习
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
这项研究扩展了学习量子哈密顿量和可观测量基态期望值的方法，针对长程相互作用的系统。研究发现，对于维度两倍以上的幂次衰减相互作用，可以实现高效率，但误差依赖会恶化到指数级。学习算法可以降低样本复杂度，特别是在具有周期性边界条件的系统中。通过模拟实践，证明了这种高效的刻度。同时提供了全局可观测量期望值浓度的分析，提高了预测准确性。
🎯
关键要点
-
研究扩展了学习量子哈密顿量和可观测量基态期望值的方法，针对长程相互作用的系统。
-
对于维度两倍以上的幂次衰减相互作用，可以实现高效率，但误差依赖会恶化到指数级。
-
学习算法可以降低样本复杂度，特别是在具有周期性边界条件的系统中。
-
学习局部可观测量之和只需要常数个样本。
-
通过模拟实践证明了高效的刻度，涉及最多128个量子比特的1D长程和无序系统的DMRG模拟。
-
提供了全局可观测量期望值浓度的分析，提高了预测准确性。
➡️
