量子科技中心_量科网

最终决定量子学习样本成本的，究竟是算法创新还是物理定律？该研究团队在一个计算、学习与因果性相互碰撞的领域探索了这一问题。若对格罗弗搜索算法进行一种围绕先验未知态进行反射的改造，理论上可将搜索空间N的查询复杂度从O(N)压缩至O(logN)，即实现指数级加速。然而标准量子理论明确禁止这种未知态反射操作（无反射定理）。为此研究人员构建了一种名为“放大-学习”的态学习辅助架构，通过交替执行相干振幅放大与态学习过程。将该架构嵌入Bao-Bouland-Jordan无超光速信号传递框架后，研究发现：除非每轮学习消耗的样本量与反射电路资源至少以Ω(N/logN)比例增长，否则对数轮次的理想方案将开启超光速通信通道。同时，该工作推导出学习电路生成纯态的计算学习理论样本紧界，揭示出最坏情况下N量级的态通用拟设“锁定”现象。戏剧性的是，无超光速信号要求不仅否决了非物理的原始操作，更唯一确定了符合因果性的反射电路复杂度——当将这种因果强制复杂度代入计算学习界限时，其恰好坍缩至无超光速信号单独要求的N/logN标度。这表明无信号约束发挥着学习能力的调节器作用：这种物理限制在物理学与计算科学之间架起桥梁，将查询复杂度、门复杂度与样本复杂度熔铸成符合因果律的统一三角关系。