Mesetas áridas impiden el aprendizaje de scrambling

Los procesos de scrambling, que propagan rápidamente el entrelazamiento a través de sistemas cuánticos de múltiples cuerpos, son difíciles de investigar utilizando técnicas estándar, pero son relevantes para el caos cuántico y la termalización. En esta carta, preguntamos si el aprendizaje automático cuántico (QML) podría usarse para investigar tales procesos. Demostramos un teorema de no-go para el aprendizaje de un proceso de scrambling desconocido con QML, mostrando que es altamente probable que cualquier Ansatz variacional tenga un paisaje de meseta árida, es decir, gradientes de costo que desaparecen exponencialmente con el tamaño del sistema. Esto implica que los recursos requeridos escalan exponencialmente incluso cuando se emplean estrategias para evitar tal escalamiento (por ejemplo, desde mesetas áridas basadas en Ansatz o teoremas de no-lunch gratis). Además, extendemos numérica y analíticamente nuestros resultados a scrambling aproximados. Por lo tanto, nuestro trabajo establece límites genéricos sobre la aprendibilidad de los unitarios al carecer de información previa.