Explore

通过对称差和多线性多数多项式，将学习傅里叶稀疏布尔函数的量子样本复杂度从 O(k^1.5 log²k) 改进到 Õ(k)，达到近似最优界，弥补了十年的理论空白。

弱Schur采样对独立的逐副本噪声保持鲁棒性，输出误差受限于噪声底线ε加上O(d/√n)——证明了基础的Keyl-Werner谱估计算法在真实的含噪量子设备上仍然有效。

为跨不同输入分布学习量子幺正算子推导了普遍泛化界，表明实态训练能指数级地很好地控制复态性能。

新协议将嘈杂的预言机查询蒸馏为高保真预言机，证明了学习/感知中的量子优势在恒定速率量子比特噪声下得以保留。Grover搜索在错误阈值以下保持二次加速，尽管近乎所有查询均被破坏。

演示了在单个玻色模中使用压缩光学习量子通道的样本复杂度的指数级降低——无需纠缠。通过噪声重分配扩展可访问的傅里叶带宽，压缩探针实现了10+数量级的优势...

解决了使用自适应单拷贝测量估计量子态矩Tr(ρᵗ)的最优样本复杂度问题，揭示了一个二进层级结构，其中第3和第4阶都需要Θ(d²/³)个拷贝，尽管在非自适应情况下表现不同。

缩小了量子层析中并行策略与顺序策略之间的差距。通过仅使用并行查询，在钻石距离中学习d维酉通道时，实现了最优的O(d²/ε)查询复杂性，与顺序性能相匹配，不牺牲效率。

突破性量子学习算法：从数据中高效学习低键维度量子态，无需假设未知态属于模型类，采用压缩和动态规划实现多项式复杂度。

新的量子得分匹配框架将经典学习技术扩展到量子态，为高温吉布斯态实现了最优的样本复杂度。在IBM硬件上对NISQ友好的实现将参数误差从64%降低到10%。

利用Bell采样恢复Clifford置乱量子态中隐藏的积结构的新颖方法。通过二次方程使得具有广泛魔性和体积律纠缠的态能够被高效学习，对于关键情况具有O(n²)样本复杂度。

高度纠缠量子态中的隐藏乘积结构可以通过Bell采样和二次对称性分析高效恢复。实现了T掺杂电路的多项式时间学习，可处理最多2^n个T门——指数级超越之前的O(log n)限制。

新算法从热测量中学习量子哈密尔顿量，无需计算配分函数。将经典评分匹配与量子算子导数相结合，通过梯度下降实现指数收敛。在横场Ising、XXZ、Fermi-等模型上进行测试

我们建立了玻色子高斯态从经典困难学习到经典容易学习的转变规律。冷态（低热光子数）需要立方采样复杂度；热态通过简单测量实现二次复杂度，揭示了基本的量子到经典...

GRPO-QM学习量子态层析的探索策略，同时通过Metropolis修正保持后验分布。分析表明大部分收益来自物理建议而非学习的调度，这对量子推断有直接影响。

研究人员实现了学习n比特稳定子态的最优样本复杂度，使用n+log(1/δ)份副本——相比先前方法的常数因子改进。该多项式时间算法结合了阿贝尔群上的傅里叶分析与相干集体测量。