Efficient characterization of highly entangled multi-particle systems is an outstanding challenge in quantum science. Recent developments have shown that a modest number of randomized measurements suffices to learn many properties of a quantum many-body system. However, implementing such measurements requires complete control over individual particles, which is unavailable in many experimental platforms. In this work, we present rigorous and efficient algorithms for learning quantum many-body states in systems with any degree of control over individual particles, including when every particle is subject to the same global field and no additional ancilla particles are available. We numerically demonstrate the effectiveness of our algorithms for estimating energy densities in a U(1) lattice gauge theory and classifying topological order using very limited measurement capabilities.

作为量子优势的应用，对动态模拟和量子机学习（QML）的关注很大，而使用QML来增强动态模拟的可能性尚未得到彻底研究。在这里，我们开发了一个框架，用于使用QML方法模拟近期量子硬件上的量子动力学。我们使用概括范围，即机器学习模型在看不见的数据上遇到的错误，以严格分析此框架内算法的训练数据要求。这提供了一种保证，就量子和数据要求而言，我们的算法是资源有效的。我们的数字具有问题大小的有效缩放，我们模拟了IBMQ-Bogota上的Trotterization的20倍。

已经表明，可以使用具有合适的数据访问的经典算法有效地复制一些量子机器学习算法的表观优点 - 一种称为渐变化的过程。现有的追逐工作的工作比较量子算法占据N-qubit Quantum State $ | x \ rangle = \ sum_ {i} x_i | i \ rangle $的副本到具有样本和查询（Sq）访问的经典算法矢量$ x $。在本说明中，我们证明了具有SQ访问的经典算法可以比量子状态输入的量子算法呈指数级速率地实现一些学习任务。因为经典算法是量子算法的子集，所以这表明SQ接入有时可以比量子状态输入更强大。我们的研究结果表明，在某些学习任务中没有指数量子优势可能是由于相对于量子状态输入的SQ访问过于强大。如果我们将量子算法与量子状态的输入进行比较到具有对量子状态上的测量数据的经典算法，则量子优势的景观可以显着不同。

量子技术有可能彻底改变我们如何获取和处理实验数据以了解物理世界。一种实验设置，将来自物理系统的数据转换为稳定的量子存储器，以及使用量子计算机的数据的处理可以具有显着的优点，这些实验可以具有测量物理系统的传统实验，并且使用经典计算机处理结果。我们证明，在各种任务中，量子机器可以从指数较少的实验中学习而不是传统实验所需的实验。指数优势在预测物理系统的预测属性中，对噪声状态进行量子主成分分析，以及学习物理动态的近似模型。在一些任务中，实现指数优势所需的量子处理可能是适度的;例如，可以通过仅处理系统的两个副本来同时了解许多非信息可观察。我们表明，可以使用当今相对嘈杂的量子处理器实现大量超导QUBITS和1300个量子门的实验。我们的结果突出了量子技术如何能够实现强大的新策略来了解自然。

我们研究量子存储器的力量，以了解量子系统和动态的学习性质，这在物理和化学方面具有重要意义。许多最先进的学习算法需要访问额外的外部量子存储器。虽然这种量子存储器不需要先验，但在许多情况下，不利用量子存储器的算法需要比那些更多样的数据。我们表明，这种权衡在各种学习问题中是固有的。我们的结果包括以下内容：（1）我们显示以$ M $ -Qubit状态Rho执行暗影断层扫描，以M $观察到，任何没有量子存储器的算法需要$ \ omega（\ min（m，2 ^ n） ）最坏情况下Rho的标准。达到对数因子，这与[HKP20]的上限匹配，完全解决了[AAR18，AR19]中的打开问题。 （2）我们在具有和不具有量子存储器之间的算法之间建立指数分离，用于纯度测试，区分扰扰和去极化的演变，以及在物理动态中揭示对称性。我们的分离通过允许更广泛的无量子存储器的算法来改善和概括[ACQ21]的工作。 （3）我们提供量子存储器和样本复杂性之间的第一个权衡。我们证明，估计所有$ N $ -Qubit Pauli可观察到的绝对值，Qumum Memory的$ K <N $ Qubits的算法需要至少$ \ omega（2 ^ {（nk）/ 3}）$样本，但在那里是使用$ n $ -Qubit量子存储器的算法，该算法只需要$ o（n）$ samples。我们展示的分离足够大，并且可能已经是显而易见的，例如，数十Qubits。这提供了一种具体的路径，朝着使用量子存储器学习算法的实际优势。

我们证明了能够在$ N $ -Qubit州$ \ Rho $同时的最多$ k $ reporicas上进行纠结的速度，有$ \ rho $的属性，这需要至少订购$ 2 ^ n / k^ 2 $测量学习。但是，相同的属性只需要一个测量来学习，如果我们可以在$ k，n $的k，n $的多个副本多项式上进行纠缠测量。因为上面保持每个正整数$ k $，我们获得了一系列的任务等级，需要有效地执行更多的副本。我们介绍了一种强大的证明技术来建立我们的结果，并用它来提供用于测试量子状态的混合的新界限。

现代量子机学习（QML）方法涉及在训练数据集上进行各种优化参数化量子电路，并随后对测试数据集（即，泛化）进行预测。在这项工作中，我们在培训数量为N $培训数据点后，我们在QML中对QML的普遍表现进行了全面的研究。我们表明，Quantum机器学习模型的泛化误差与$ T $培训门的尺寸在$ \ sqrt {t / n} $上缩放。当只有$ k \ ll t $ gates在优化过程中经历了大量变化时，我们证明了泛化误差改善了$ \ sqrt {k / n} $。我们的结果意味着将Unitaries编制到通常使用指数训练数据的量子计算行业的多项式栅极数量，这是一项通常使用指数尺寸训练数据的大量应用程序。我们还表明，使用量子卷积神经网络的相位过渡的量子状态的分类只需要一个非常小的训练数据集。其他潜在应用包括学习量子误差校正代码或量子动态模拟。我们的工作将新的希望注入QML领域，因为较少的培训数据保证了良好的概括。

经典的机器学习（ML）提供了一种潜在的强大方法来解决物理和化学中挑战性量子多体问题。但是，ML比更传统方法的优势尚未牢固确定。在这项工作中，我们证明，经典的ML算法可以在有限的空间维度中有效预测hipapped汉密尔顿人的基态特性，这是通过在物质相同量子阶段测量其他汉密尔顿人通过测量其他汉密尔顿人获得的数据后。相反，在广泛接受的复杂性理论假设下，不从数据中学习的经典算法无法获得相同的保证。我们还证明，经典的ML算法可以有效地对物质的各种量子阶段进行分类。我们的论点基于经典阴影的概念，这是对多体量子状态的简洁经典描述，可以在可行的量子实验中构造，并用于预测状态的许多特性。广泛的数值实验证实了我们在各种情况下的理论结果，包括Rydberg Atom Systems，2D随机Heisenberg模型，受对称性保护的拓扑阶段和拓扑结构有序的相。

This paper focuses on designing efficient models with low parameters and FLOPs for dense predictions. Even though CNN-based lightweight methods have achieved stunning results after years of research, trading-off model accuracy and constrained resources still need further improvements. This work rethinks the essential unity of efficient Inverted Residual Block in MobileNetv2 and effective Transformer in ViT, inductively abstracting a general concept of Meta-Mobile Block, and we argue that the specific instantiation is very important to model performance though sharing the same framework. Motivated by this phenomenon, we deduce a simple yet efficient modern \textbf{I}nverted \textbf{R}esidual \textbf{M}obile \textbf{B}lock (iRMB) for mobile applications, which absorbs CNN-like efficiency to model short-distance dependency and Transformer-like dynamic modeling capability to learn long-distance interactions. Furthermore, we design a ResNet-like 4-phase \textbf{E}fficient \textbf{MO}del (EMO) based only on a series of iRMBs for dense applications. Massive experiments on ImageNet-1K, COCO2017, and ADE20K benchmarks demonstrate the superiority of our EMO over state-of-the-art methods, \eg, our EMO-1M/2M/5M achieve 71.5, 75.1, and 78.4 Top-1 that surpass \textbf{SoTA} CNN-/Transformer-based models, while trading-off the model accuracy and efficiency well.

Supervised Question Answering systems (QA systems) rely on domain-specific human-labeled data for training. Unsupervised QA systems generate their own question-answer training pairs, typically using secondary knowledge sources to achieve this outcome. Our approach (called PIE-QG) uses Open Information Extraction (OpenIE) to generate synthetic training questions from paraphrased passages and uses the question-answer pairs as training data for a language model for a state-of-the-art QA system based on BERT. Triples in the form of <subject, predicate, object> are extracted from each passage, and questions are formed with subjects (or objects) and predicates while objects (or subjects) are considered as answers. Experimenting on five extractive QA datasets demonstrates that our technique achieves on-par performance with existing state-of-the-art QA systems with the benefit of being trained on an order of magnitude fewer documents and without any recourse to external reference data sources.