Core Concepts
페르미-허버드 모델에 대한 효율적인 양자 해밀토니언 학습 알고리즘을 제안하였다. 이 알고리즘은 헤이젠베르그 한계 스케일링을 달성하면서도 상태 준비 및 측정 오류를 허용한다.
Abstract
이 논문은 페르미-허버드 모델에 대한 효율적인 양자 해밀토니언 학습 알고리즘을 제안한다.
주요 내용은 다음과 같다:
단일 사이트 및 두 사이트 페르미온 시스템에 대한 학습 방법을 제시한다. 이를 위해 강건한 위상 추정 기법을 활용한다.
다중 사이트 시스템의 경우, 해밀토니언 reshaping 기법을 사용하여 시스템을 서로 독립적인 부분 시스템으로 분해한다. 이를 통해 단일 사이트 및 두 사이트 방법을 적용할 수 있다.
제안된 알고리즘은 시스템 크기에 독립적인 오차 한계를 달성하며, 총 진화 시간이 ˜O(ε^-1)으로 헤이젠베르그 한계 스케일링을 만족한다.
제안된 방법은 단일 사이트 또는 두 사이트 페르미온 조작만을 필요로 하므로 실험 구현에 적합하다.
Stats
총 진화 시간은 ˜O(ε^-1 log(η^-1))이다.
실험 횟수는 ˜O(log(ε^-1) log(η^-1))이다.
단일 사이트 랜덤 유니터리 삽입 횟수는 ˜O(Nε^-2 log(η^-1))이다.