量子科技中心_量科网

该团队提出了一个关于具有有界外延（相对于结构化状态类）的状态层析成像的一般框架。设 \(\textsf{C}\) 为一个 \(n\) 量子比特状态族，满足：\((i)\) \(\textsf{C}\) 可简洁表示，且 \((ii)\) 存在一个针对 \(\textsf{C}\) 的弱不可知学习者。该团队给出了一种针对未知状态 \(|ψ\rangle\) 的层析成像协议，该状态被承诺可分解为 \(|ψ\rangle = \sum_i c_i |φ_i\rangle\) 的形式，其中 \(|φ_i\rangle \in \textsf{C}\)，且系数具有有界的 \(\ell_1\) 范数（该团队称之为外延）。该团队的主要贡献在于证明，针对 \(\textsf{C}\) 的弱不可知学习者可以被提升为一种针对具有相对于 \(\textsf{C}\) 有界外延的状态的层析成像算法。该团队的归约是黑盒式的，并广泛适用于多种模型类。作为应用，当 \(\textsf{C}\) 为稳定子状态类时，该团队获得了针对稳定子外延为 \(\xi\)、迹距离为 \(\varepsilon\) 的状态的层析成像算法，运行时间为 \(\textsf{poly}(n,(\xi/\varepsilon)^{\log(\xi/\varepsilon)})\)，并且在高倍增机制下，若假设算法多项式 Freiman-Ruzsa 猜想成立，该时间可改进为 \(\textsf{poly}(n,\xi,1/\varepsilon)\)。当未知状态 \(|ψ\rangle\) 是任意状态时，该团队给出了一个算法分解结果，其精神类似于针对量子状态相对于 \(\textsf{C}\) 的弱正则引理，并表明 \(|ψ\rangle\) 中可由 \(\textsf{C}\) 解释的结构可以被高效学习。该团队的主要概念性信息是，对结构化基类的不可知学习自动催生了对其低复杂度线性张成空间的可学习性。