Optimal learning of quantum Hamiltonians from high-temperature Gibbs states

We study the problem of learning a Hamiltonian H to precision \varepsilon, supposing we are given copies of its Gibbs state \rho =\exp(-\beta H)/\mathrm{Tr}(\exp(-\beta H)) at a known inverse temperature \beta. Anshu, Arunachalam, Kuwahara, and Soleimanifar [AAKS21] recently studied the sample compl...

Ausführliche Beschreibung

Bibliographische Detailangaben

Veröffentlicht in:	Proceedings / annual Symposium on Foundations of Computer Science S. 135 - 146
Hauptverfasser:	Haah, Jeongwan, Kothari, Robin, Tang, Ewin
Format:	Tagungsbericht
Sprache:	Englisch
Veröffentlicht:	IEEE 01.10.2022
Schlagworte:	Complexity theory Computer science Hamiltonian learning Markov random field partition function quantum algorithm Quantum computing real-time evolution Real-time systems Time complexity
ISSN:	2575-8454
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!