通过矩阵乘积态假设，提出了两种在一维量子系统中进行量子状态重构的方案，一种方案需要对恒定数量的子系统进行幺正操作，而另一种方案只需要进行局部测量及更复杂的后处理，两种方案仅依赖于线性数量的实验操作和多项式级别的经典后处理，可以无需任何先验假设地严格证明重构状态的准确性。

Jan, 2011

我们提出将量子机器学习技术与量子态测量 (QST) 相结合，以提高 QST 的效率，通过综合研究了 QST 的多种方法，并实现了不同的量子机器学习方法，并在各种模拟和实验量子系统上展示了其有效性，包括多量子比特网络，结果表明，我们基于量子机器学习的 QST 方法可以以较少的测量次数实现高保真度 (98%)，为实际量子信息处理应用提供了有希望的工具。

Aug, 2023

我们提出了一种基于变压器的自编码器架构，针对含有不完美测量数据的量子态重构问题进行了优化，通过提取信息丰富的潜在表示来预测量子态。通过在预训练中使用重构高质量频率的预设任务，我们的方法在量子态重构中表现出了显著的能力。

Sep, 2023

以钻石中的氮 - 空位缺陷的三重态能级作为单个固态量子比特，进行了量子过程重构的实例研究。在不同的失相时间内，分别用卡希矩阵和仿射映射表示，提取出系统的误差产生算子，比较实验估计的量子过程矩阵与最接近的物理有效矩阵之间的偏差。

Jan, 2006

本文提出 ‘ NA-QST’ 算法，使用机器学习、粒子群优化和贝叶斯粒子滤波方法，降低了从 O（poly（n））到 O（log（n））的复杂度，使量子态重构的速度快了数百万倍，精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。

Dec, 2018

本论文基于压缩感知建立了量子态重构的方法，该方法仅需使用 Pauli 测量、快速的凸优化，稳健抗噪，适用于仅近似低秩的系统。在没有先验假设下，重构出的状态接近纯态。

Sep, 2009

本文探讨了将矩阵乘积状态作为一维张量数组用于分类经典和量子数据的能力，对传统机器学习数据集 Iris 进行了二元分类，并进一步通过考虑探讨不同参数来证明 MPS 电路可用于获得更好的准确性，实验了 MPS 量子分类器的学习能力，用于对北旁遮普邦（印度）Patiala 气象站的蒸发散进行分类，并使用不同的分类性能度量对其能力进行了测量，并展示了其各项值的一致性程度。

May, 2019

本研究使用投影梯度下降法提出了三种新的量子态重构算法，并将它们与现有的算法进行了比较，结果表明投影梯度下降法适用于大规模复杂状态的重构，速度快且表现优异。

Dec, 2016

该论文介绍了 “影子断层扫描” 的概念，给出了仅需测量 $\widetilde {O} (\varepsilon^{-4}\cdot \log^{4} M\cdot\log D)$ 个状态副本就可以高概率地解决该问题的方法，该方法在量子行业中有许多实际应用，例如量子密码学、量子软件保护、量子通信等。

Nov, 2017

定义了一个称为不可知摄影的量子学习任务，算法能够给出关于一个任意状态中近似等同于稳定子产品状态的简要描述，算法能够适应对该状态的扰动，并在多项式时间内运行。

Apr, 2024