WikiEdge:ArXiv-2310.02243/background

編輯

這篇文獻的背景主要集中在以下幾個方面：

1. 量子計算與量子系統控制的重要性：
   • 量子計算的發展引發了對量子系統規模和控制能力提升的極大興趣，這伴隨着對更好算法的需求，以表徵和驗證這些系統。
   • 量子系統的控制和驗證是實現量子技術應用的關鍵，例如在凝聚態物理中研究拓撲序和超導性等現象。
2. 哈密頓量學習問題：
   • 哈密頓量學習是量子系統控制中的一個核心計算任務，目標是從測量中估計物理屬性，即相互作用強度。
   • 該問題在低溫下特別重要，因為量子現象在零或近零溫度下最為顯著，而傳統的高溫級數展開在低溫下失敗。
3. 低溫下哈密頓量學習的挑戰：
   • 儘管哈密頓量學習的重要性，但如何從吉布斯態中學習哈密頓量在計算上並不被充分理解，尤其是在低溫下。
   • 先前的工作僅在高溫或具有對易項的有限情況下提供了快速算法，而在低溫下，所有已知方法都遭遇了失敗。

綜上所述，這篇文獻的背景強調了在量子系統控制和驗證領域中，特別是在低溫條件下，對有效哈密頓量學習算法的需求，以及現有方法的局限性。作者提出了一種新的多項式時間算法，能夠在任何恆定的反溫度下，從多項式數量的吉布斯態副本中學習哈密頓量。