Machine learning for sample-based quantum diagonalization: generative configuration recovery and the classical-simulability frontier
Diese Arbeit kritisch rezensiert die Landschaft des maschinellen Lernens für die probenbasierte Quantendiagonalisierung und zeigt auf, dass aktuelle Quanten-Sampler im Allgemeinen daran scheitern, klassische Methoden der selektierten Konfigurations-Interaktion zu übertreffen, während sie gleichzeitig spezifische Robustheitsvorteile identifiziert und die präzisen Regime definiert, in denen ein nachweisbarer Quantenvorteil weiterhin schwer fassbar bleibt.