Die effiziente Darstellung tridiagonaler Matrizen in der Pauli-Basis ermöglicht die Konstruktion von Schaltkreisen zur Hamiltonsimulation ohne den Einsatz von Orakeln.
Wir präsentieren effiziente Algorithmen zum Testen, ob ein Hamiltonianoperator nahe an einem k-lokalen Hamiltonianoperator ist oder weit davon entfernt, sowie zum Lernen eines k-lokalen Hamiltonianoperators.
Die Arbeit präsentiert einen Ansatz zur effizienten Schätzung des Gradienten der Zielfunktion für generische parametrisierte Quantenschaltkreise. Der Ansatz nutzt die algebraischen Symmetrien des zugrunde liegenden Hamiltonoperators, um die Gradientenberechnung auf eine Reihe von Hadamard-Tests und polynomielle klassische Nachbearbeitung zu reduzieren.
Quantenalgorithmen können viele geometrische 3SUM-schwierige Probleme in O(n^(1+o(1)))-Zeit lösen, auch wenn die Probleme nicht direkt einer Punktsuche entsprechen oder die Suchregionen nicht einer Unterteilung durch eine Anordnung von Geraden entsprechen.
Wir präsentieren zwei Algorithmen, die effizient einen Quantenzustand lernen, der mit Clifford-Gattern und O(log n) nicht-Clifford-Gattern präpariert wurde. Die Algorithmen benötigen nur polynomielle Zeit und Kopien des Zustands, um ihn bis auf eine vorgegebene Genauigkeit zu lernen.
Reinforcement Learning kann eingesetzt werden, um die Suche nach geeigneten Quantenschaltkreisen zu verbessern, indem es Herausforderungen wie die Vorbereitung von Quantenzuständen und die Komposition von Unitäroperationen adressiert.
Durch den Einsatz von generativen neuronalen Netzwerken können die für die Schrödinger-Entfaltung erforderlichen Bitstrings effizient identifiziert werden, ohne die exponentielle Summation über alle möglichen Bitstrings durchführen zu müssen.
Eine einfache und natürliche untere Schranke für die Anzahl der Reflexionen, die ein Quantenalgorithmus benötigt, um die Partitionsfunktion mit einer gegebenen Genauigkeit zu schätzen.
Ein effizienter Quantenalgorithmus wird vorgestellt, um lineare Gleichungssysteme in Tensorform zu lösen, der eine polylogarithmische Komplexität in der Problemgröße aufweist.
Durch Einbeziehung des Verhältnisses der Amplituden in jeder Iteration in den Diffusionsoperator mittels einer Phasenwinkeldrehung kann die Wahrscheinlichkeit des Erfolgs erhöht und die Anzahl der erforderlichen Iterationen reduziert werden.