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

本文研究了通过给定汉密尔顿量的吉布斯态，学习汉密尔顿量 H，以达到精度 ε 的问题。我们证明了当给定的汉密尔顿量属于更一般的类别时，我们的算法具有最优的样本复杂度和时间复杂度。此外，我们显示了几乎相同的算法可以用于从实时演化幺正算符 e^{-itH} 中学习 H，其具有相似的样本和时间复杂度。

Aug, 2021

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

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

通过对 Pauli 谱的 2 - 范数或归一化 Frobenius 范数的演化算符进行查询，构建了 “n” 量子比特 “k” 局域哈密顿的测试和学习问题。通过我们的研究，解决了在 Bluhm，Caro 和 Oufkir 最近的工作中提出的两个问题，并展示了简洁、基于 Pauli 分析技术的证明。

Apr, 2024

本文提出了一种 Bayesian 的 Hamiltonian 学习 (BHL) 方法，可以在线适应性地评估量子系统的 Hamiltonian，通过实验数据更新预测结果，从而解决量子设备噪声诊断和量子 Hamiltonian 学习的问题，在高达 100 个量子位的数值模拟中验证了方法的可扩展性和准确性。

Dec, 2019

通过量子对象、量子通道、多项式、可学性和量子酉矩阵的查询，我们展示了学习低阶量子对象的问题的解决方法。

May, 2024

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