GLQK：利用局域性降低量子多体数据学习的样本复杂度

Koki Chinzei 等人在 arXiv 论文（2509.13705v2）中提出几何局域量子核（GLQK）框架，利用非临界量子多体系统中相关性的指数衰减，从相关长度尺度的局域量子信息构造特征空间，以提升量子多体数据学习的可扩展性。 理论上，作者严格证明：对学习量子期望值的未知多项式这一任务，GLQK 相对现有 shadow kernel 在样本复杂度上随系统规模 n 有实质性改进；对具有平移对称性的数据，GLQK 达到与 n 无关的常数样本复杂度。作者还在两个量子多体任务上做了数值实验，称结果与理论一致。这些为作者证明与验证，尚属论文阶段结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。