PAC 模型中学习量子通道的高效算法及近似状态辨识问题
在本文中,我们研究了量子样本复杂性,使用了二种方法证明了量子和经典样本复杂性在 PAC 和 agnostic 模型上差不多,其中第一种方法可以得到与经典边界相同或仅相差一个对数的量子边界,而第二种方法可以不丧失对数因子的情况下完成分析。
Jul, 2016
本文比较了传统和量子学习者在 Probably Approximately Correct (PAC) 框架下的生成模型能力,并构造了一类离散概率分布,通过决策 Diffie-Hellman 假设证明传统生成模型算法无法高效 PAC 学习,但我们构建了一个高效的量子学习器。同时,本文还讨论了证明经典生成建模难度结果的技术,以及布尔函数和离散概率分布的 PAC 学习性之间的关系。
Jul, 2020
本文介绍了通过量子查询和量子示例从学习布尔函数的算法的复杂性的新结果,其中我们探讨了中间问题的量子和经典查询复杂度与精确学习问题和谐平衡的自然问题,并提高了期望严格学习的新下界,以达到经典 PAC 学习的已知上界。
Nov, 2004
本文探讨了量子系统的波函数指数级放缩对于量子信息处理的重要性,提出了一种计算学习理论的方法,通过对稳定子状态的研究,解决了 Aaronson 博士提出的量子状态学习难问题,并探讨了其在量子计算中的应用。
Apr, 2017
本文研究了两种不同的神经网络模型下,量子电路 Born 机的可学习性,发现虽然当给定访问样本时可用于统计学习,但具有超对数深度的克里福德电路的输出分布在统计查询模型下不易于学习,这限制了学习本地量子电路输出分布的可能性,并提供了从概率建模角度学习本地量子电路输出分布的严格见解。
Oct, 2021
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
研究了预测 n 个量子比特上任何未知量子过程的机器学习算法,该算法可在广泛分布的任意 n 比特状态下学习预测来自未知过程 E 的任何本地属性,具有小的平均误差率。本文的算法组合了学习未知状态属性和学习低阶近似未知的可观测量的有效过程,并证明了新的范数不等式,包括一个量子模拟 Bohnenblust-Hille 不等式。通过数值实验证明,机器学习模型能够比运行过程本身快得多地预测复杂量子动态的输出。
Oct, 2022