量子计算机对机器学习应用程序保持前所未有的潜力。在这里，我们证明了物理量子电路通过经验风险最小化在量子计算机上可读的PAC（可能近似正确）：以最多为最多$ N ^ C $栅极的参数量子电路，每个门作用于恒定数量的Qubits，样本复杂度被$ \ tilde {o}界限为（n ^ {c + 1}）$。特别是，我们明确地构建了一种以固定模式排列的$ O（n ^ {c + 1}）$ o（n ^ {c + 1}）的变形量子电路系列，其可以代表最多$ n ^ c $基本的所有物理量子电路盖茨。我们的结果为大量机器学习提供了一个有价值的理论和实践。

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。

我们表明，具有“低稳定器复杂性”的量子状态可以有效地与HAAR随机区分开。具体而言，给定$ n $ qubit的纯状态$ | \ psi \ rangle $，我们给出了一种有效的算法，以区分$ | \ psi \ rangle $是（i）haar-random或（ii）具有稳定器保真度的状态至少$ \ frac {1} {k} $（即，具有一些稳定器状态的保真度至少$ \ frac {1} {k} $），保证就是其中之一。使用Black-box访问$ | \ psi \ rangle $，我们的算法使用$ o \！\ left（k^{12} \ log（1/\ delta）\ right）$ copies $ | \ psi \ rangle $和$ o \！\ left（n k^{12} \ log（1/\ delta）\ right）$ $时间以概率至少$ 1- \ delta $成功，并且随着访问状态准备统一，以$ | | \ psi \ rangle $（及其倒数），$ o \！\ left（k^{3} \ log（1/\ delta）\ right）$ queries和$ o \！\！ log（1/\ delta）\ right）$时间就足够了。作为推论，我们证明$ \ omega（\ log（n））$ $ t $ - 盖特对于任何Clifford+$ t $ circile都是必不可少的，以准备计算上的pseudorandom Quantum Quantum state，这是一种首要的下限。

变异量子算法已被认为是实现有意义的任务（包括机器学习和组合优化）的近期量子优势的领先策略。当应用于涉及经典数据的任务时，这种算法通常从用于数据编码的量子电路开始，然后训练量子神经网络（QNN）以最小化目标函数。尽管已经广泛研究了QNN，以提高这些算法在实际任务上的性能，但系统地了解编码数据对最终性能的影响存在差距。在本文中，我们通过考虑基于参数化量子电路的常见数据编码策略来填补这一空白。我们证明，在合理的假设下，平均编码状态与最大混合状态之间的距离可以明确地相对于编码电路的宽度和深度。该结果特别意味着平均编码状态将以指数速度的深度速度集中在最大混合状态上。这种浓度严重限制了量子分类器的功能，并严格限制了从量子信息的角度来看编码状态的区分性。我们通过在合成和公共数据集上验证这些结果来进一步支持我们的发现。我们的结果突出了机器学习任务中量子数据编码的重要性，并可能阐明未来的编码策略。

已广泛研究了确定量子状态（例如保真度度量）相似性的有效度量。在本文中，我们解决了可以定义可以\ textit {有效估计}的量子操作的相似性度量的问题。给定了两个量子操作，$ u_1 $和$ u_2 $，以其电路表格表示，我们首先开发一个量子采样电路，以估算其差异的归一化schatten 2-norm（$ \ | | | | | | U_1-U_2 \ | _ {s_2} $）使用精确$ \ epsilon $，仅使用一个干净的量子和一个经典的随机变量。我们证明了一个poly $（\ frac {1} {\ epsilon}）$ umper bound在样品复杂性上，该界限与量子系统的大小无关。然后，我们证明这种相似性度量与使用量子状态的常规保真度度量（$ f $）直接相关。 u_1-u_2 \ | _ {s_2} $足够小（例如$ \ leq \ frac {\ epsilon} {1+ \ sqrt {2（1/\ delta -1）} $）处理相同的随机和均匀选择的纯状态，$ | \ psi \ rangle $，如有需要（$ f（{{u} _1 | \ psi \ rangle，{u} _2 | \ psi \ wangle）\ geq 1 - \ epsilon $），概率超过$ 1- \ delta $。我们为量子电路学习任务提供了这种有效的相似性度量估计框架的示例应用，例如找到给定统一操作的平方根。

量子机学习（QML）中的内核方法最近引起了人们的重大关注，作为在数据分析中获得量子优势的潜在候选者。在其他有吸引力的属性中，当训练基于内核的模型时，可以保证由于训练格局的凸度而找到最佳模型的参数。但是，这是基于以下假设：量子内核可以从量子硬件有效获得。在这项工作中，我们从准确估计内核值所需的资源的角度研究了量子内核的训练性。我们表明，在某些条件下，可以将量子内核在不同输入数据上的值呈指数浓缩（在量子数中）指向一些固定值，从而导致成功训练所需的测量数量的指数缩放。我们确定了可以导致集中度的四个来源，包括：数据嵌入，全球测量，纠缠和噪声的表达性。对于每个来源，分析得出量子内核的相关浓度结合。最后，我们表明，在处理经典数据时，训练用内核比对方法嵌入的参数化数据也容易受到指数浓度的影响。我们的结果通过数值仿真来验证几个QML任务。总体而言，我们提供指南，表明应避免某些功能，以确保量子内核方法的有效评估和训练性。

量子力学的内在概率性质引起了设计量子生成学习模型（QGLM）的努力。尽管取得了经验成就，但QGLMS的基础和潜在优势仍然在很大程度上晦涩难懂。为了缩小这一知识差距，我们在这里探索QGLM的概括属性，即将模型从学习的数据扩展到未知数据的能力。我们考虑两个典型的QGLM，量子电路出生的机器和量子生成的对抗网络，并明确地给出了它们的概括界限。当量子设备可以直接访问目标分布并采用量子内核时，结果确定了QGLM的优势而不是经典方法。我们进一步采用这些泛化范围来在量子状态制备和哈密顿学习中具有潜在的优势。 QGLM在加载高斯分布和估计参数化的哈密顿量的基态方面的数值结果符合理论分析。我们的工作开辟了途径，以定量了解量子生成学习模型的力量。

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。

从样本中学习概率分布的任务在整个自然科学中无处不在。局部量子电路的输出分布构成了一类特别有趣的分布类别，对量子优势提案和各种量子机学习算法都具有关键的重要性。在这项工作中，我们提供了局部量子电路输出分布的可学习性的广泛表征。我们的第一个结果可以深入了解这些分布的有效学习性与有效的可模拟性之间的关系。具体而言，我们证明与Clifford电路相关的密度建模问题可以有效地解决，而对于深度$ d = n^{\ omega（1）} $电路，将单个$ t $ gate注入到电路中，这使这是如此问题很难。该结果表明，有效的模拟性并不意味着有效的可学习性。我们的第二组结果提供了对量子生成建模算法的潜在和局限性的见解。我们首先证明与深度$ d = n^{\ omega（1）} $局部量子电路相关的生成建模问题对于任何学习算法，经典或量子都很难。结果，一个人不能使用量子算法来为此任务获得实际优势。然后，我们证明，对于各种最实际相关的学习算法（包括混合量词古典算法），即使是与深度$ d = \ omega（\ log（n））$ Clifford Circuits相关的生成建模问题也是如此难的。该结果对近期混合量子古典生成建模算法的适用性造成了限制。

The interplay between quantum physics and machine learning gives rise to the emergent frontier of quantum machine learning, where advanced quantum learning models may outperform their classical counterparts in solving certain challenging problems. However, quantum learning systems are vulnerable to adversarial attacks: adding tiny carefully-crafted perturbations on legitimate input samples can cause misclassifications. To address this issue, we propose a general scheme to protect quantum learning systems from adversarial attacks by randomly encoding the legitimate data samples through unitary or quantum error correction encoders. In particular, we rigorously prove that both global and local random unitary encoders lead to exponentially vanishing gradients (i.e. barren plateaus) for any variational quantum circuits that aim to add adversarial perturbations, independent of the input data and the inner structures of adversarial circuits and quantum classifiers. In addition, we prove a rigorous bound on the vulnerability of quantum classifiers under local unitary adversarial attacks. We show that random black-box quantum error correction encoders can protect quantum classifiers against local adversarial noises and their robustness increases as we concatenate error correction codes. To quantify the robustness enhancement, we adapt quantum differential privacy as a measure of the prediction stability for quantum classifiers. Our results establish versatile defense strategies for quantum classifiers against adversarial perturbations, which provide valuable guidance to enhance the reliability and security for both near-term and future quantum learning technologies.

量子Gibbs状态的制备是量子计算的重要组成部分，在各种区域具有广泛的应用，包括量子仿真，量子优化和量子机器学习。在本文中，我们提出了用于量子吉布斯状态准备的变分杂化量子典型算法。我们首先利用截短的泰勒系列来评估自由能，并选择截短的自由能量作为损耗功能。然后，我们的协议训练参数化量子电路以学习所需的量子吉布斯状态。值得注意的是，该算法可以在配备有参数化量子电路的近期量子计算机上实现。通过执行数值实验，我们显示浅参数化电路，只有一个额外的量子位训练，以便准备诸如高于95％的保真度的insing链和旋转链Gibbs状态。特别地，对于ising链模型，我们发现，只有一个参数和一个额外的qubit的简化电路ansatz可以训练，以在大于2的逆温度下实现吉布斯状态准备中的99％保真度。

机器学习被认为是量子计算最有前途的应用之一。因此，寻找机器学习模型的量子类似物的量子优势是一个关键的研究目标。在这里，我们表明，具有量子内核（QSVM）的变异量子分类器（VQC）和支持向量机可以基于K-相关问题解决分类问题，该问题已知是PromiseBQP complete。由于PromistBQP复杂度类包括所有有界的量子量子多项式时间（BQP）决策问题，因此我们的结果暗示存在特征图和量子内核，该量子内核使VQC和QSVM有效求解器用于任何BQP问题。这意味着可以设计VQC或QSVM的量子内核的特征图，以对任何在多项式时间内无法经典求解但与量子计算机相反的分类问题具有量子优势。

探索近期量子设备的量子应用是具有理论和实际利益的量子信息科学的快速增长领域。建立这种近期量子应用的领先范式是变异量子算法（VQAS）。这些算法使用经典优化器来训练参数化的量子电路以完成某些任务，其中电路通常是随机初始初始初始化的。在这项工作中，我们证明，对于一系列此类随机电路，成本函数的变化范围通过调整电路中的任何局部量子门在具有很高概率的Qubits数量中呈指数级消失。该结果可以自然地统一对基于梯度和无梯度的优化的限制，并揭示对VQA的训练景观的额外严格限制。因此，对VQA的训练性的基本限制是拆开的，这表明具有指数尺寸的希尔伯特空间中优化硬度的基本机制。我们通过代表性VQA的数值模拟进一步展示了结果的有效性。我们认为，这些结果将加深我们对VQA的可扩展性的理解，并阐明了搜索具有优势的近期量子应用程序。

基于参数化量子电路的量子机器学习（QML）模型通常被突出显示为量子计算的近期“杀手应用”的候选者。然而，对这些模型的实证和泛化表现的理解仍处于起步阶段。在本文中，我们研究了如何为HAVL \'I \ V {C} EK等人介绍的两个突出的QML模型之间的培训准确性和泛化性能（也称为结构风险最小化）之间的平衡。 （自然，2019年）和Schuld和Killoran（PRL，2019）。首先，利用与良好的古典模型的关系，我们证明了两个模型参数 - 即图像使用的图像和弗罗布尼乌斯的规范 - 模型使用的可观察的规范 - 密切控制模型的复杂性，因此其泛化表现。其次，使用受工艺断层扫描的启发的想法，我们证明这些模型参数还密切控制模型捕获培训示例中相关性的能力。总之，我们的结果引起了对QML模型的结构风险最小化的新选择。

有望在近期量子计算机上建立有价值的应用程序。但是，最近的作品指出，VQA的性能极大地依赖于Ansatzes的表现性，并且受到优化问题（例如贫瘠的高原（即消失的梯度））的严重限制。这项工作提出了国家有效的ANSATZ（SEA），以改善训练性，以进行准确的基态制备。我们表明，海洋可以产生一个任意纯状态，其参数比通用的安萨兹少得多，从而使其适合基态估计等任务有效。然后，我们证明可以通过灵活地调节海洋的纠缠能力来有效地通过海洋有效地减轻贫瘠的高原，并可以最大程度地提高训练性。最后，我们研究了大量的示例，在基础状态估计中，我们在成本梯度和收敛速度的幅度上得到了显着改善。

预计人工神经网络的领域将强烈受益于量子计算机的最新发展。特别是Quantum Machine Learning，一类利用用于创建可训练神经网络的Qubits的量子算法，将提供更多的力量来解决模式识别，聚类和机器学习等问题。前馈神经网络的构建块由连接到输出神经元的一层神经元组成，该输出神经元根据任意激活函数被激活。相应的学习算法以Rosenblatt Perceptron的名义。具有特定激活功能的量子感知是已知的，但仍然缺乏在量子计算机上实现任意激活功能的一般方法。在这里，我们用量子算法填充这个间隙，该算法能够将任何分析激活功能近似于其功率系列的任何给定顺序。与以前的提案不同，提供不可逆转的测量和简化的激活功能，我们展示了如何将任何分析功能近似于任何所需的准确性，而无需测量编码信息的状态。由于这种结构的一般性，任何前锋神经网络都可以根据Hornik定理获取通用近似性质。我们的结果重新纳入栅极型量子计算机体系结构中的人工神经网络科学。

预计变形量子算法将展示量子计算在近期嘈杂量子计算机上的优点。然而，由于算法的大小增加，训练这种变分量子算法遭受梯度消失。以前的工作无法处理由现实量子硬件的必然噪声效应引起的渐变消失。在本文中，我们提出了一种新颖的培训方案，以减轻这种噪声引起的渐变消失。我们首先介绍一种新的成本函数，其中通过在截断的子空间中使用无意程可观察来显着增强梯度。然后，我们证明可以通过从新的成本函数与梯度优化原始成本函数来达到相同的最小值。实验表明，我们的新培训方案对于各种任务的主要变分量子算法非常有效。

变形量子算法（VQAS）可以是噪声中间级量子（NISQ）计算机上的量子优势的路径。自然问题是NISQ设备的噪声是否对VQA性能的基本限制。我们严格证明对嘈杂的VQAS进行严重限制，因为噪音导致训练景观具有贫瘠高原（即消失梯度）。具体而言，对于考虑的本地Pauli噪声，我们证明梯度在Qubits $ N $的数量中呈指数呈指数增长，如果Ansatz的深度以$ N $线性增长。这些噪声诱导的贫瘠强韧（NIBPS）在概念上不同于无辐射贫瘠强度，其与随机参数初始化相关联。我们的结果是为通用Ansatz制定的，该通用ansatz包括量子交替运算符ANSATZ和酉耦合簇Ansatz等特殊情况。对于前者来说，我们的数值启发式展示了用于现实硬件噪声模型的NIBP现象。

已经提出了一些用于量子神经网络（QNN）的体系结构，目的是有效地执行机器学习任务。对于特定的QNN结构，迫切需要进行严格的缩放结果，以了解哪种（如果有的话）可以大规模训练。在这里，我们为最近提出的架构分析了梯度缩放（以及训练性），该体系结构称为耗散QNNS（DQNNS），其中每层的输入量子位在该图层的输出处丢弃。我们发现DQNNS可以表现出贫瘠的高原，即在量子数量中呈指数级消失的梯度。此外，我们在不同条件下（例如不同的成本函数和电路深度）的DQNN梯度的缩放范围提供定量界限，并表明并非总是可以保证可训练性。

量子机学习（QML）模型旨在从量子状态中编码的数据中学习。最近，已经表明，几乎没有归纳偏差的模型（即，对模型中嵌入的问题没有假设）可能存在训练性和概括性问题，尤其是对于大问题。因此，开发编码与当前问题有关的信息的方案是至关重要的。在这项工作中，我们提出了一个简单但功能强大的框架，其中数据中的基本不向导用于构建QML模型，该模型通过构造尊重这些对称性。这些所谓的组不变模型产生的输出在对称组$ \ mathfrak {g} $的任何元素的动作下保持不变。我们提出了理论结果，基于$ \ mathfrak {g} $ - 不变型模型的设计，并通过几个范式QML分类任务来体现其应用程序，包括$ \ mathfrak {g} $是一个连续的谎言组，也是一个lie group，也是一个。离散对称组。值得注意的是，我们的框架使我们能够以一种优雅的方式恢复文献的几种知名算法，并发现了新的算法。综上所述，我们期望我们的结果将有助于为QML模型设计采用更多几何和群体理论方法铺平道路。