通过压缩感知学习k体哈密顿量
《IEEE Transactions on Information Theory》:Learning k-Body Hamiltonians via Compressed Sensing
【字体:
大
中
小
】
时间:2026年09月20日
来源:IEEE Transactions on Information Theory 2.6
编辑推荐:
摘要:我们研究了学习一个含有 $M$ 个未知Pauli项的 $k$ 体哈密顿量的问题,这些Pauli项不一定是几何局域的。我们提出了一种协议,能够在总演化时间为 $O(M^{1/2+1/p}/\epsilon)$(至多对数因子)的条件下,将哈密顿量学习到精度 $\epsilo
摘要:我们研究了学习一个含有 $M$ 个未知Pauli项的 $k$ 体哈密顿量的问题,这些Pauli项不一定是几何局域的。我们提出了一种协议,能够在总演化时间为 $O(M^{1/2+1/p}/\epsilon)$(至多对数因子)的条件下,将哈密顿量学习到精度 $\epsilon$,其中误差通过Pauli系数的 $\ell_p$-距离来量化。我们的学习协议仅使用单量子比特控制操作和GHZ态初始态,是非自适应的,对SPAM误差具有鲁棒性,并且在 $M$ 和 $k$ 事先未被精确知道或哈密顿量并非严格 $M$ 稀疏的情况下仍然表现良好。我们利用经典压缩感知理论中的方法来有效地从所有可能的 $k$ 体Pauli算符中识别出哈密顿量中的 $M$ 个项。我们还给出了该学习任务所需总演化时间的下界,并讨论了 $\ell_1$ 和 $\ell_2$ 误差度量的操作解释。与大多数先前的工作不同,我们的学习协议既不要求几何局域性,也不需要任何其他放宽的局域性条件。
## I. 引言
哈密顿量学习是量子物理中的一个基本问题,对于理解和控制量子系统至关重要。精确的哈密顿量模型在从量子模拟到量子纠错的各种任务中都是必需的,因为对相互作用的精确了解有助于更好地进行优化和控制。它也是计算机科学中的一个基本问题,其经典类似任务——学习无向图模型——是许多机器学习模型的核心。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号