本研究着重于探讨 “计算学习理论” 在探究量子信息中的应用,发现在概率性的前提下,仅通过线性数量的测量即可近似学习量子态,实验结果在光学系统中展示了线性比例的特点,为量子状态探究开辟了新的大规模可能性。
Nov, 2017
利用计算学习理论,本文证明:对于大多数实际目的,传统的量子态重构只需测量数量呈线性增长关系,而非指数函数关系;同时,该定理可应用于量子计算的模拟和验证领域。
Aug, 2006
学习具有接近神经网络量子态的性质的量子态的鲁棒性算法,从而在样本复杂度上表现出指数级的改善。
Sep, 2023
学习量子态和幺正算子的复杂度与创建这些态和算子的复杂度相关,量子状态重构和学习存在困难,但学习量子电路生成的态和幺正算子表明采样复杂度与门复杂度线性相关,查询复杂度与门数线性相关,而计算复杂度根据可信的加密猜想呈指数爆炸增长,这些结果限制了量子机器学习模型的表达能力,且对幺正算子学习中的 no-free-lunch 定理提供新的视角。
Oct, 2023
定义了一个称为不可知摄影的量子学习任务,算法能够给出关于一个任意状态中近似等同于稳定子产品状态的简要描述,算法能够适应对该状态的扰动,并在多项式时间内运行。
Apr, 2024
研究 PAC 学习量子过程问题,给出了样本复杂度估计,并推广了此问题到量子世界,得出了量子电路可在多项式样本下进行 PAC 学习且可近似区分量子状态。
Oct, 2018
本文综述了学习量子状态的复杂性及其研究,包括量子测量,物理量子状态的学习,替代量子测量模型以及作为量子状态编码的经典函数的学习。总结了这些研究带来的 25 个激动人心的开放性问题,展示了它们为高度成功的理论铺平了道路。
May, 2023
我们提出了一个描述量子学习的数学形式,并利用几种量子学习场景进行直观且可访问的推广边界。
Nov, 2023
该研究论文研究了如何通过量子状态的测量来生成假设,以指导下一次测量的选取,即减少答案预测失误率。
Feb, 2018
通过矩阵乘积态假设,提出了两种在一维量子系统中进行量子状态重构的方案,一种方案需要对恒定数量的子系统进行幺正操作,而另一种方案只需要进行局部测量及更复杂的后处理,两种方案仅依赖于线性数量的实验操作和多项式级别的经典后处理,可以无需任何先验假设地严格证明重构状态的准确性。
Jan, 2011