通过设计算法，在给定哈密顿量和一些额外信息的情况下，可以有效地在量子计算机上准备基态和估算其基态能量。
Feb, 2020
通过应用量子绝热算法来解决 NP 完全问题，证明了如果构建大型计算机，则量子计算机可能能够在困难的 NP 完全问题上胜过普通计算机。
Apr, 2001
利用量子计算机演化调控 Hubbard 模型，采用有效嵌套策略实现指数级降低影响因素，设计高效测量和非破坏式的实验方法，实现对模型的精确刻画和参数量子模拟。
Jun, 2015
本文提出了一种量子算法，通过量子态准备方法，简单辅助测量与量子前置条件算子，可解决任意问题规格的线性系统问题，并且能够在计算电磁散射截面等问题上大大提升求解效率。
Jan, 2013
本文提出了一种基于绝热演化的量子算法，用于解决可满足性问题，其中 Hamiltonian 函数随时间变化，插入了初始 Hamiltonian 和最终 Hamiltonian，通过保证时间足够长，来确保系统演化到预期的最终基态，算法时间复杂度在某些可满足性问题的对称情况下为多项式时间。
Jan, 2000
本文介绍了一种硬件高效的可变量量子本征求解器，结合铁磁哈密顿量的紧凑编码和稳健的随机优化算法，在量子处理器上实现了六量子位哈密顿问题的实验优化，并将技术应用于一个量子磁学问题，其结果有助于阐明将该方法扩展到更大系统的要求，并致力于填补高性能计算前沿问题与其在量子硬件上实现之间的差距。
Apr, 2017
通过从一个基本样本中学习，我们显著提高了在具有周期边界条件系统的所有基态性质的预测算法的效率，并证明了在热力学极限下预测误差趋近于零。
May, 2024
通过机器学习协议，可以对定义在物理参数 $m$ 维空间上的哈密顿量族的基态及其性质进行预测，但泛型缝合哈密顿量的精确预测需要指数级样本复杂度；当 $m$ 是有限的常数时且精度为主要关注点时，通过利用物理约束和预测密度矩阵的正定核，可以获得样本复杂度的指数级改进，特别地，在强局部性的情况下，样本数可以进一步降低。
Apr, 2023
通过渐进增加量子比特的数目，同时采用张量网络表示方式和对实际系统对称性的保留，我们提出了一种方法来研究近期噪声中等规模量子计算机上的量子多体系统的基态性质，并在实用场景中展示了其可行性。
Feb, 2019
这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据，并可以有效地分类一系列的量子相，在量子实验中可以通过构建经典影像来预测系统的多种属性。
Jun, 2021