在量子世界中，粒子的行为受概率而非确定性支配。当科学家制备一个量子系统时，他们得到的不是一个单一、固定的结果；相反，他们得到的是一种可能性的模式，就像天气预报预测的是一个温度范围而非一个单一的数字一样。这种模式被称为分布，而理解它对于了解一个量子态究竟是什么至关重要。几十年来，研究人员一直在研究当这些状态从所有可能配置的巨大空间中完全随机选取时会发生什么。他们发现，这些随机状态极其复杂，使得经典计算机几乎无法对其进行预测或模拟。然而，自然界并不总是完全随机的。物理定律通常会施加对称性——即规定某些变换会让系统保持不变的规则。这些规则限制了可能状态的范围，创造了更小、更有结构的随机家族。驱动这项新研究的问题是：这些受对称性约束的受限家族是否仍然过于复杂，以至于我们无法了解它们，还是说这些规则会让它们变得更容易理解。
一位研究人员现在通过专注于物理学中由基本对称性产生的三个特定量子态家族回答了这个问题。这些家族在技术文献中被称为循环正交（circular orthogonal）、循环辛（circular symplectic）以及一种特定类型的费米子高斯系综（fermionic Gaussian ensemble）。简单来说，这些是当物理学家研究具有时间反演对称性的系统或由构成物质（如电子）的费米子组成的系统时，自然出现的量子态组。该研究人员提出了一个非常具体的问题：如果你可以接触到其中一个这类状态，但你只能对其进行有限的提问，那么弄清楚该状态产生的精确概率模式有多难？他使用了一个称为统计查询学习（statistical query learning）的框架，该框架模拟了一个观察者，该观察者可以询问某些属性的平均值，但无法直接看到状态本身。目标是观察这个观察者是否能用合理数量的问题来构建一个关于该状态行为的准确模型。
研究结果是鲜明且明确的。研究人员证明，学习这些受对称性约束的状态的概率模式，平均而言是极其困难的。事实上，这种难度如此之深，以至于即使是一个能够提出高度精确问题的强大观察者，想要学习哪怕极小一部分可能的模式，所需的提问数量也会以一种在实际操作中几乎不可能实现的速率增长。为了直观理解，如果量子系统的规模仅仅增加一点点，学习该状态所需的提问次数并不仅仅是翻倍或三倍；而是会爆炸式增长为一个如此巨大的数字，以至于询问完所有问题将耗时比宇宙的年龄还要长。这在他们研究的所有三个状态家族中都成立，这表明物理对称性的存在并没有让量子态变得更容易学习。其复杂程度与完全随机的状态一样极端。
为了得出这一结论，研究人员开发了一种新的数学计算方法来分析这些组。他们没有使用该领域常用的标准、沉重的复杂工具，而是采用了一种涉及随机数统计属性的更直接的方法。这使他们能够计算出这些量子态产生的模式与完全平坦、均匀模式之间的精确距离。他们发现，这些状态始终远离均匀分布，而这是导致其难以学习的关键因素。通过将这种精确计算与描述随机变量趋向于聚集在平均值周围的数学原理相结合，他们能够证明这些家族中的几乎每一个状态都同样难以学习。人群中并没有隐藏容易学习的例外；这种难度是这些系综的一个普遍特征。
这项工作为日益增长的一类证据做出了贡献，即学习量子态是一项本质上困难的任务，即使这些状态是由自然物理定律而非任意随机过程生成的。它证实了理解这些系统的障碍不仅在于计算能力的缺乏，更在于由信息本质本身所施加的根本限制。研究人员表明，无论一个系统是由时间反演的对称性所支配，还是由费米子物质的特定规则所支配，由此产生的量子态对于经典学习方法而言仍然是顽固且难以捉摸的。这强化了这样一个观点：量子系统拥有一种内在且不可避免的复杂性，确保了即使随着技术的进步，它们也将继续挑战我们模拟和理解它们的能力。这项研究并非暗示在所有情况下学习都是不可能的，但它确立了对于这些状态中的绝大多数而言，这项任务在实际上是无法实现的。
技术摘要：关于从循环与高斯系综学习状态的平均情况复杂度
问题陈述
本研究调查了学习从特定系综中均匀采样的量子态的 Born 概率分布的计算复杂度。具体而言，作者关注的是统计查询（SQ）学习模型，在该模型中，算法试图通过一个返回具有附加容差 τ 的有界函数（可观测量）期望值的算子来学习未知的分布 P。核心问题是：学习来自类型 AI、AII 和 DIII 的经典紧致对称空间的 Born 分布的样本复杂度是多少？
这些系综分别对应于循环正交系综（COE）、循环辛系综（CSE）以及一种与费米子高斯态相关的系综（类型 DIII）。本研究旨在确定这些分布在学习上是否具有“平均情况下的困难性”，即对于从系综中随机抽取的随机态，学习即使是极小比例的可能分布也需要超多项式（具体为双指数级）数量的查询。
方法论
作者采用了由先前研究（特别是文献 [6] 和 [24]）建立的框架，该框架利用了来自引理 1（源自文献 [6]）的关于查询复杂度的下界，该引理将学习某一分布类中比例为 β 的分布所需的查询数 q 与两个关键量联系起来：
- “容易”集合的体积 (u)： 一个随机分布来自该系综且已经接近均匀（常数）分布 C 的概率。
- 可区分度比例 (f)： 单个统计查询能够区分随机分布与均匀分布的最大概率。
为了评估这些量，论文引入了一种不同于量子信息理论中常用的用于对酉群进行积分的标准 Weingarten 微积分的技术方法。作者：
- 利用 Beta 和 Gamma 分布： 他们利用了 Haar 随机矩阵（及其对称空间对应物）的列可以由独立高斯变量的归一化向量构造这一事实。这使得他们能够将矩阵元的大小和重叠表示为 Beta 和 Gamma 分布。
- 精确积分： 他们对 Haar 随机酉/正交电路输出分布与常数分布之间的期望全变差距离（TVD）进行了精确计算，避免了先前文献中存在的加性近似（O(1/d)）。
- 测度集中性： 他们应用了测度集中性论证（改编自 Lévy 引理），以证明 TVD 和分布的可区分性紧密集中在它们的均值周围。这使得他们能够界定随机实例显著偏离平均情况的概率。
主要贡献与结果
群情况下的精确 TVD 计算：
作者推导了 Haar 随机酉 (U(d)) 和正交 (O(d)) 态的输出分布与均匀分布之间期望全变差距离 (dTV) 的精确表达式。
- 对于 U(d)，limd→∞E[dTV]=e−1。
- 对于 O(d)，limd→∞E[dTV]=2/(πe)。
这些结果改进了先前的近似，并作为对称空间分析的基准。
对称空间的学习困难性（定理 1）：
主要结果确立了从 AI、AII 和 DIII 系综学习 Born 分布在平均情况下是困难的。
- AI (循环正交)： 态的形式为 UTU（等价于 U∗U），其中 U 是 U(d) 上的 Haar 随机，且对合运算为复共轭（σ(U)=U∗）。这对应于对称酉矩阵的空间。
- AII (循环辛)： 态的形式为 JUTJU，其中 U 是 U(2d) 上的 Haar 随机，且对合运算为 σ(U)=JUTJ∗。（注：论文明确指出，一个随机元素具有形式为 JUTJU 的结构，其中 U 在酉群上是 Haar 随机的）。
- DIII： 该系综对应于类型 DIII 对称空间上的均匀测度。该系综中量子态的计算基振幅的分布类似于随机费米子高斯态协方差矩阵的一列。作者明确区分了该系综与费米子高斯态系综本身：虽然随机费米子高斯态的协方差矩阵可以采样为 OTJO（其中 O 是正交群上的 Haar 随机），但 DIII 系综特指从该矩阵中导出的振幅的分布，而非由电路生成的完整态。
论文证明，对于任何要 ϵ-学习某一比例 β 的这些分布的算法，其 τ-精确查询数 q 必须满足一个约束，即 q 是关于量子比特数 n（其中 d=2n）的双指数级。具体而言，即使使用反指数精度的查询，学习双指数级微小比例的分布也需要双指数级的查询次数。
积分中的技术新颖性：
论文强调了一种用于在紧致群和对称空间上进行积分的“非常规方法”。通过将非多项式函数的积分（用于 TVD 计算）映射到 Beta 和 Gamma 分布的积分，作者避免了高阶 Weingarten 微积分的复杂性，同时实现了精确结果。
意义与主张
作者将这项工作定位为近期建立关于全酉群（Haar 测度）和随机砖块电路（brickwork circuits）学习困难性结果的补充。
- 物理动机： 所研究的系综（AI, AII, DIII）受对称性约束（Dyson 三重方式）以及费米子高斯态研究的物理启发。
- 定量极端性： 虽然这些态的学习在定性上可能被认为具有难度（鉴于其高维性），但作者强调了结果的定量极端性。学习任务不仅是困难的，而且即使对于极小的成功概率，也需要与系统规模呈双指数关系的资源。
- 与 Matchgate 电路的区别： 论文澄清了 DIII 系综与 matchgate（自由费米子）电路的关系。虽然 matchgate 电路已知可以通过归约为奇偶校验学习（文献 [28]）来证明其困难性，但本文的 DIII 分析针对的是其振幅分布类似于随机费米子高速态协方差矩阵一列的态，而非由电路生成的完整态。
总之，论文严谨地证明了从这些特定的、受对称性约束的系综中进行 Born 分布的统计查询学习在平均情况下是不可行的，这强化了更广泛的趋势，即“随机”量子态通常难以在没有指数级资源的情况下进行经典表征。
每周获取最佳 quantum physics 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。