利用机器学习算法的自动化测量方法可以提高量子系统的测量效率，并为大型量子电路的自动化控制打下基础。

Oct, 2018

采用聚类方法增强机器学习，将量子信息协议中的超导量子比特系统的测量轨迹进行分类，诊断系统错误，并改进分类方法，提高测量精度。

Nov, 2014

该论文提出了一种处理量子机器学习中普遍存在的不确定性的通用方法学，该方法可以在训练数据量有限、量子计算硬件噪声存在的情况下可靠地度量量子模型的不确定，并基于概率共同预测来达到对真实目标的可信度量。

Apr, 2023

本文旨在从量子信息的角度，发起一种系统地对待机器学习的方法，并涵盖了机器学习的三大分支：监督学习，无监督学习和强化学习。通过这种方法，本文提出了一个系统化的方案以解决强化学习中的量子提升问题，并证明了在限定的时间范围内，对广泛的学习问题都可获得学习效率的二次和性能的指数级增强。

Oct, 2016

机器学习和量子计算的结合有潜力提供更高的准确性和计算效率，并对抗攻击产生更强的鲁棒性。然而，要建立强大的 QAML 工具仍有挑战。本文回顾了 QAML 的最新进展、字典并提出未来的研究方向，以期在量子计算硬件规模扩大和噪声水平降低的情况下实现 QAML 方法的实用性。

Jun, 2023

本文探讨了机器学习在科学研究中的潜力，使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现，自主学习创造了多种纠缠态并提高了实现效率，提出了机器在未来研究中具有更加创造性的可能。

Jun, 2017

本文报道了第一个用可编程超导量子位的量子对抗学习实验，结果表明量子学习系统在对抗场景下存在一定的易受攻击性，并证明了对抗训练过程可以显著增强其抵御干扰性攻击的鲁棒性。

Apr, 2022

本文展示了可以将时间有序的量子演化视作层次有序的神经网络，并将鲁棒控制看作是训练高度泛化的神经网络，利用批处理优化技巧使优化的结果能够显着提高控制的鲁棒性和保持高保真度。

Nov, 2018

本研究提出了一种基于深度学习和强化学习的模型无关方法，实现了实际的贝叶斯量子计量任务，并在一个集成光电电路上证明了比标准方法更高的测量性能，这是实现完全基于人工智能的量子计量的重要一步。

Sep, 2022

今天的量子计算机是否能通过传统方法的量子错误纠正来解决量子计算机的潜在困难是一个挑战，但机器学习为量子错误纠正提供了潜在解决方案，通过模拟和实验，机器学习在 100 量子位的量子计算机上得到了许多正面结果，并且展现了在各种量子电路和设备噪声情况下的潜力。

Sep, 2023