量子科技中心_量科网

对称性是众多经典与量子学习算法高效运行的基础，但量子学习者在对称性约束结构下能否获得根本性优势仍悬而未决。基于经典统计查询(𝖲𝖰)框架在对称函数类学习中呈现指数级查询复杂度的证据，该研究团队提出核心问题：量子学习算法能否更高效利用问题对称性？该工作通过量子统计查询(𝖰𝖲𝖰)模型——经典𝖲𝖰的自然量子对应框架——探索对称性可能带来的优势，揭示了三个关键发现：（1）在置换不变函数类上实现𝖰𝖲𝖰与𝖲𝖰的指数级性能分离；（2）针对最常见对称性场景，证明𝖰𝖲𝖰学习查询复杂度下界与经典𝖲𝖰下界仅相差常数因子，但潜在优势可能存在于高度偏斜的轨道分布条件下；（3）发现基于容错阈值的分离现象，量子学习者能在使经典𝖲𝖰算法失效的噪声水平下成功学习。这些发现共同阐明了对称性促成量子学习优势的具体条件。