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。发表于：。本研究解决了经典模拟无法全面捕捉现代量子计算机动态的问题。通过证明样本复杂度在d中线性增长是达到小预测误差的必要和充分条件，我们提出了一种基于核的学习模型，优化了预测误差与计算复杂度之间的权衡。该工作对量子算法的实用性和基于学习的量子系统认证具有重要影响。
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。
