神经密度算子的潜空间净化
这项研究检查了不同的量子状态重构技术的性能，并证明了可以通过应用方差减少技术来系统地减少算法的量子资源需求。作者比较了两种主要的神经量子态编码方法，即神经密度算符和正算子值测量表示，并阐述了它们在混杂度不同的情况下表现出不同的性能。
Jul, 2023
量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络，一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络，并允许在表达能力和高效可训练性之间进行折中，特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络，它在数据上提供了定义明确且可解释的转换，但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量，几乎没有梯度复杂度增加，而密度正交神经网络减少了梯度查询的复杂度，几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后，我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。
May, 2024
论文综述了机器学习中生成建模技术在恢复实际、嘈杂和多量子比特量子态方面的发展，尤其是限制玻尔兹曼机器的理论，并演示了它在状态重建中的实际应用，从经典热力学分布的伊辛自旋开始，逐步移动到越来越复杂的纯态和混合量子态，通过对实验噪音中间规模量子设备的冷原子波函数重建的最近工作进行总结，最后讨论了未来在 NISQ 时代和以后使用机器学习进行状态重建的展望。
May, 2019
本文介绍了两种量子系统密度矩阵估计方法：量子最大似然法和量子变分推断法，它们利用构造可变分族来模拟混合量子态的密度矩阵，引入了量子流和适当的损失函数来导出感兴趣的本征态和本征值，用这种方法和传统的格技术比较，有新的估计密度矩阵的可能性。
Apr, 2019
本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。
Mar, 2018
我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。
Nov, 2022
本研究提出了一种基于机器学习技术的有效模拟量子多体系统动力学的方法，使用受限玻尔兹曼机表示混合多体量子态，并导出一个指向时间演化和稳态的变分蒙特卡洛算法，通过针对耗散自旋晶格系统的数值实例验证了该方法的准确性。
Feb, 2019
通过结合机器学习和量子 Monte Carlo 的见解，采用神经网络 Ansatz 状态的随机重构方法是量子多体问题高精度基态估计的一个有前途的新方向。虽然该方法在实践中表现良好，但对学习动态了解甚少。本文通过分析学习景观，揭示了算法的一些隐藏细节。
Oct, 2019