无需量子采样也能经典复现！新算法去量子化优化随机特征采样器
A Quantum-Inspired Dequantization Method for Diagonally Weighted Matrix Functions: Application to Learning with Optimized Random Features
📖 AI 总结
本文提出一种量子启发式的去量子化方法，用于处理对角加权矩阵函数，并将其应用于优化随机特征学习中的采样器问题。此前，基于量子奇异值变换（QSVT）的优化随机特征采样器未被现有去量子化框架覆盖，原因在于待求逆的矩阵本身无法通过采样访问获得。作者通过采样重要指标、将变换约化为小规模主块，并输出具有算子范数保证的稀疏经典表示，构建了一种经典算法。将该方法应用于优化随机特征采样器后，成功实现了去量子化，得到一个具有指定精度和多项式级运行时间的经典采样器。这一结果表明，即使无法对复合矩阵进行采样与查询访问，量子块编码背后的因子分解本身也能提供足够的经典结构，从而为量子优势候选方案的去量子化提供了新思路。
🔑 关键词速览
| 去量子化 (Dequantization) | 指用经典算法复现量子算法所声称的优势，从而削弱其量子优越性。 |
| 量子奇异值变换 (QSVT) | 一种统一的量子算法框架，通过多项式变换矩阵的奇异值来实现多种量子线性代数操作。 |
| 优化随机特征 (Optimized Random Features) | 在机器学习中，通过优化随机特征映射的参数来提升核方法近似效果的技术。 |
| 块编码 (Block Encoding) | 将非酉矩阵嵌入到更大酉矩阵中的量子表示方法，是许多量子算法的核心输入模型。 |
| 算子范数 (Operator Norm) | 矩阵作为线性算子的最大奇异值，用于衡量矩阵变换的放大能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅