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...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings / annual Symposium on Foundations of Computer Science s. 135 - 146
Hlavní autoři:	Haah, Jeongwan, Kothari, Robin, Tang, Ewin
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 01.10.2022
Témata:	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
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!