
-
生物通官微
陪你抓住生命科技
跳动的脉搏
正温度玻色子高斯态哈密顿量的样本与计算高效学习协议
《Nature Communications》:Efficient Hamiltonian, structure and trace distance learning of Gaussian states
【字体: 大 中 小 】 时间:2026年09月18日 来源:Nature Communications 18.1
编辑推荐:
摘要在学习描述多体量子系统时,假设相互作用的局域性,与无结构方法相比,可以大幅减少所需的观测次数和计算时间。在本工作中,我们揭示了该现象的一个无穷维实例,开启了正温度玻色子高斯态哈密顿量学习的研究。我们提出了样本和计算高效的协议,用于推断底层二次哈密顿量的参数和图结构,前提是
在学习描述多体量子系统时,假设相互作用的局域性,与无结构方法相比,可以大幅减少所需的观测次数和计算时间。在本工作中,我们揭示了该现象的一个无穷维实例,开启了正温度玻色子高斯态哈密顿量学习的研究。我们提出了样本和计算高效的协议,用于推断底层二次哈密顿量的参数和图结构,前提是温度、压缩、位移以及相互作用图的最大度均是有界的。值得注意的是,我们的协议仅依赖于外差测量,这在实验上通常是可行的,并且实现了样本复杂度仅随模式数对数级缩放的结果。此外,我们的技术允许在迹距离下学习正温度高斯态,其在精度上呈二次缩放,在模式数上呈多项式缩放。