Machine learning for sample-based quantum diagonalization: generative configuration recovery and the classical-simulability frontier
Este artículo revisa críticamente el panorama del aprendizaje automático para la diagonalización cuántica basada en muestras, demostrando que los muestreadores cuánticos actuales generalmente no logran superar a los métodos clásicos de interacción de configuración seleccionada, al tiempo que identifica ventajas específicas de robustez y define los regímenes precisos donde una ventaja cuántica demostrable sigue siendo elusiva.