量子科技中心_量科网

该工作设计了一种算法，用于学习一个 \(n\) 量子比特常数局域Lindbladian的系数，达到 \(\varepsilon\) 误差，所需总演化时间为 \(O(g d^2 \log(n) / \varepsilon^2)\)，其中 \(g\) 是单点能量，\(d\) 是相互作用图的（近似）度数。尽管Lindbladians带来了哈密顿量这一特例中不存在的全新挑战，但该算法实现了与最先进哈密顿量学习算法相同的系列期望特征：(1) 它使用非自适应、无辅助比特的随机泡利测量电路，时间分辨率仅为 \(\Theta(1/g)\)；(2) 它在未知Lindbladian结构的情况下也能工作；(3) 它依赖于一种平滑形式的度数，从而支持准局域和幂律Lindbladians的学习。该算法是一种简单的迭代方法，其中目标函数由限制在少数局域区域内的Lindbladian的傅里叶系数组成。该工作的分析识别出开放系统特有的难点，称为“混淆”项。在“混淆”有限的情况下，算法的性能会提升。该研究通过从实时演化访问中对哈密顿量进行结构学习这一场景证明了这一点，在该场景中设计了一种比先前工作显著更简单的新算法。此外，利用同样的迭代方法，该团队还设计了首个从高温吉布斯态中对哈密顿量进行结构学习的高效算法。