量子神经网络训练景观中的贫瘠高原
通过研究局部极小值和 Barren 高原现象，证明在全局最小能量附近未知最优参数的情况下，一类浅而无 barren 高原的变分量子模型具有很少的局部极小值，以至于在没有好的初值参数的情况下无法进行训练。此外，通过统计查询框架研究变分量子算法的可训练性，并表明大多数量子模型的噪声优化都需要指数级的查询数，虽然有希望通过研究某些类别的变分算法来解决这个问题。
May, 2022
本文提出了一种使用经典神经网络来生成量子电路参数的方法，以缓解 Barren Plateaus 现象，该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响，还能够在 VQA 训练期间减轻该影响，并展示了该方法在不同 CNN 架构下的表现。
May, 2022
本文研究了量子电路参数优化问题，通过对全局和局部可观测量定义了两种方法，证明了在一定条件下采用局部可观测量定义的方法能够获得更好的训练效果。
Jan, 2020
文章提出了一种随机参数初始化生成浅层块的量子电路初始化策略，以应对梯度消失问题，实现了基于梯度的训练方法，解决了过去针对基本问题不能使用最紧凑的量子电路的问题。
Mar, 2019
研究了参数化量子电路为基础的强化学习策略的可训练性，发现拥有指数小梯度和梯度爆炸的标准荒原问题，以及这些现象与基态分区和分区映射相关，采用连续型分区的基态可以确保多项式数量的训练窗口和测量次数，该研究在多臂赌博机环境中进行了实证验证。
Jun, 2024
本文讨论使用空间或时间相关门层的电路模块可以避免梯度消失现象，以实现对大规模问题的高效优化，通过随机可分离电路和基于量子交替操作最优变体的 Grover 算法的例子进行了讨论，对成本函数变化的界限进行了计算，在量子非结构化搜索的最佳 Oracle 复杂度的情况下，成本函数变化的界限表明了梯度消失和有效性之间的过渡。
May, 2020
通过对神经网络中变分参数的大量抑制来定义惰性，其中量子情况下的抑制对于随机化变分量子电路的量子比特数量呈指数衰减。我们讨论了惰性与由量子物理学家在文献中创建的量子机器学习中的荒漠高原的差异，对梯度下降期间损失函数的平坦情况进行了讨论。同时，我们揭示了在一定的噪声模型下，量子变分算法对于过度参数化的噪声具有弹性。
Jun, 2022
本文描述了基于量子卷积神经网络的梯度值，分析了 QCNNs 的梯度缩放，发现 QCNNs 不会产生荒原平原。我们介绍了一种基于图形的方法，分析哈尔分布的酉矩阵的期望值，最后通过数值模拟验证了我们的分析结果。
Nov, 2020
本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。
Jan, 2018