explore | Grilled Cheese

反驳一个20年前的猜想，新研究证明量子学习相比经典方法能够实现立方级分离——这与已知上界一致，并揭示超越Grover和Bernstein-Vazirani范式的加速效能。

平滑分析揭示了隐藏在最坏情况模型中的量子加速。新的量子算法在编辑距离和模式匹配领域，在现实扰动输入上相比经典方法实现了多项式优势，为实用量子优势开辟了途径。

证明了量子算法需要指数级查询来在焊接树中提取显式路径，解决了量子系统是否可以在输出可验证解决方案的同时保持叠加加速的问题——这是量子查询复杂性中20年的开放问题。

量子算法在构造性Ramsey问题上首次实现亚线性最坏情况查询复杂性，相比经典方法在随机图上提供可证明的多项式加速和改进的下界。

证明了完全有界多项式的最优泛函不等式，建立了量子查询算法的更严格局限。改进了根影响界和傅立叶增长约束，展示了量子计算的更高效经典模拟。

量子算法在构造性Ramsey问题上首次实现亚线性最坏情况查询复杂性，相比经典方法在随机图上提供可证明的多项式加速和改进的下界。