查看“WikiEdge:ArXiv-2310.02243/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2310.02243/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''[[量子计算]]与[[量子系统]]控制的重要性'''：
#* [[量子计算]]的发展引发了对[[量子系统]]规模和控制能力提升的极大兴趣，这伴随着对更好[[算法]]的需求，以表征和验证这些系统。
#* [[量子系统]]的控制和验证是实现[[量子技术]]应用的关键，例如在[[凝聚态物理]]中研究[[拓扑序]]和[[超导性]]等现象。
# '''[[哈密顿量]]学习问题'''：
#* [[哈密顿量]]学习是[[量子系统]]控制中的一个核心计算任务，目标是从测量中估计物理属性，即相互作用强度。
#* 该问题在[[低温]]下特别重要，因为[[量子现象]]在零或近零温度下最为显著，而传统的高温级数展开在低温下失败。
# '''低温下[[哈密顿量]]学习的挑战'''：
#* 尽管[[哈密顿量]]学习的重要性，但如何从[[吉布斯态]]中学习[[哈密顿量]]在计算上并不被充分理解，尤其是在[[低温]]下。
#* 先前的工作仅在[[高温]]或具有对易项的有限情况下提供了快速[[算法]]，而在[[低温]]下，所有已知方法都遭遇了失败。
综上所述，这篇文献的背景强调了在[[量子系统]]控制和验证领域中，特别是在[[低温]]条件下，对有效[[哈密顿量]]学习[[算法]]的需求，以及现有方法的局限性。作者提出了一种新的多项式时间[[算法]]，能够在任何恒定的反温度下，从多项式数量的[[吉布斯态]]副本中学习[[哈密顿量]]。