Machine learning for sample-based quantum diagonalization: generative configuration recovery and the classical-simulability frontier
Dit artikel beoordeelt kritisch het landschap van machine learning voor steekproefgebaseerde kwantumdiagonalisatie, waarbij wordt aangetoond dat huidige kwantumsamplers over het algemeen er niet in slagen om klassieke selected configuration interaction-methoden te overtreffen, terwijl specifieke robuustheidsvoordelen worden geïdentificeerd en de precieze regimes worden gedefinieerd waarin een bewijsbaar kwantumvoordeel nog steeds ongrijpbaar blijft.