연구진은 양자 머신러닝(QML)에서 학습 분리를 보이는 물리적으로 동기 부여된 양자 다체계 문제 해결에 나섰습니다.
랜덤화된 안정화 프로브 상태, 균일하게 샘플링된 진화 시간, 알려지지 않은 해밀토니언에 대한 관측 가능량 기대값을 활용한 지도 학습 문제를 설계했습니다.
양자 절차를 통해 짧은 시간의 학습 샘플에서 해밀토니언을 학습하고, 고전 그림자와 해밀토니언 시뮬레이션을 결합하여 새로운 데이터 포인트에 대한 추론을 수행합니다.
BQP⊆P/poly 조건이 충족되지 않는 한, 특정 입력 분포에 대해 고전적인 다항 시간 알고리즘이 학습 조건을 충족할 수 없음을 증명했습니다.