我们研究了使用已知逆温度下 Gibbs 状态的哈密顿量，学习局部量子哈密顿量 H 的问题。我们解决了这个大问题，提出了一种多项式时间算法，通过多项式数量的 Gibbs 状态精确学习到精度为 ε 的哈密顿量 H。

Oct, 2023

学习局部量子哈密顿量的问题，基于已知逆温度下的吉布斯态，通过使用 Chebyshev 展开的新型平面多项式逼近指数函数，我们将学习量子哈密顿量的表述转化为多项式优化问题，然后利用时刻 / 二次松弛方法加快求解速度，对于度受限的双重交互图，我们证明在温和假设下学习 $k$ 局部哈密顿量可以在多项式时间内完成。

Feb, 2024

本文使用一种量子增强的分治方法来学习一个多体哈密顿量，并将其拆分为非相互作用的小块，实现了亥姆霍兹极限以学习一个相互作用的 $N$-qubit 局部哈密顿量。

Oct, 2022

本研究介绍了两种针对随机过程的量子算法，分别用于热吉布斯态的准备和马尔可夫链的命中时间估计，并使用哈密顿模拟、谱间隙放大和线性方程组解法等工具进行实现。

Mar, 2016

通过机器学习协议，可以对定义在物理参数 $m$ 维空间上的哈密顿量族的基态及其性质进行预测，但泛型缝合哈密顿量的精确预测需要指数级样本复杂度；当 $m$ 是有限的常数时且精度为主要关注点时，通过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，特别地，在强局部性的情况下，样本数可以进一步降低。

Apr, 2023

在这项研究中，我们考虑了量子多体物理中的一个基础任务 - 寻找和学习量子哈密顿量及其性质的基态。最近的研究关注通过学习数据来预测几何局部可观测量之和的基态期望值。我们扩展了这些结果，超越了对哈密顿量和可观测量的局部要求，针对分子和原子系统中长程相互作用的相关性。我们证明，对于系统维度的两倍以上的幂次衰减相互作用，我们可以恢复与量子比特数量的对数刻度相同的高效率，但对误差的依赖会恶化到指数级。此外，我们展示了自动同构于相互作用超图的学习算法可以实现样本复杂度的降低，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。我们通过从具有最多 128 个量子比特的 $1$D 长程和无序系统的 DMRG 模拟中学习的实践表明了这种高效的刻度。最后，我们提供了由于中心极限定理引起的全局可观测量期望值的浓度的分析，从而提高了预测准确性。

Dec, 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

本文介绍了一种使用 unitary oracle 和 qubitization 方法进行哈密顿模拟的算法，其中 qubitization 将任何哈密顿量编码到不变的 SU (2) 子空间中，并给出了 e^{-iHt} 等复合算子的查询复杂度，这在精确模拟中获得了二次加速。

Oct, 2016

本文提出了一种量子算法，可以在误差的倒数的次对数时间内模拟稀疏哈密顿量的动力学，是之前方法的指数级改进，其查询复杂度不依赖于作用的量子位数，门复杂度对哈密顿量的导数阈值的对数级，同时结果表明离散模型的范数微分变换有很高的效率，证明了算法的最优性。

Dec, 2013

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