任意温度下多项式时间学习局域量子哈密顿量

SIAM Journal on Computing · 2026-10-06 · 期刊论文

• 一句话结论：该研究给出一个多项式时间算法，可在任意常数逆温度下从多项式多份Gibbs态副本中以精度ε学习局域量子哈密顿量，从而完全解决此前仅在高温度或对易项等有限情形下可计算求解的公开问题；结论为理论算法层面的证据支持。
• 研究设计与做法：研究设计为理论计算机科学与量子信息的方法学工作：设定n量子比特的局域哈密顿量H，给定已知逆温度β下其Gibbs态的副本，目标为以精度ε学习H；对照为Anshu等2020年多项式样本量但指数时间的算法，以及此前仅覆盖高温度或对易项的有限结果。样本量与随访时长不适用。
• 主要结果：主要结果为算法复杂度结论：所提算法在任意常数β下以多项式时间运行，并使用多项式多份Gibbs态副本达到精度ε。摘要未报告具体数值效应量、置信区间或p值，因属理论证明而非统计推断。
• 机制或解释：作者给出的技术解释为：核心贡献是新的指数函数平坦多项式逼近，以及多元标量多项式与嵌套对易子之间的转换，从而将哈密顿量学习表述为多项式系统；求解该系统的低阶平方和松弛即可准确学习哈密顿量。
• 局限与边界：局限与边界：结果针对局域哈密顿量与常数逆温度，精度与运行时间以多项式表述；摘要未讨论实际常数大小、数值稳定性、实验可行性、利益冲突等，材料未报告。
• 可否落地：落地含义：该结果在理论层面支持量子哈密顿量学习在任意常数温度下可高效完成，证据档位为C（理论证明）；对实验实现与近期量子设备的实际含义尚不足以下结论，需进一步工作评估常数因子与资源开销。

🔗 打开原文

Ainesh Bakshi, Allen Liu, Ankur Moitra 等

本文摘自《每日前沿研究简报 · 2026-10-08》「物理学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。