我们介绍了一个可以通过监督学习表示带有标签的数据（经典或量子）并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成，作用于输入的量子态，可以进行二元分类。我们展示了如何对经典数据集进行分类，并使用实际数据集的例子展示了该网络的应用。

Feb, 2018

本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

Apr, 2023

本文介绍了量子分类器与集成学习的结合，提出了量子分类器集成框架，实现了对训练数据的分类，从而推出了量子及经典机器学习领域中的新结果。

Apr, 2017

本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

Apr, 2018

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021

本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

Dec, 2017

量子计算是一个快速发展的领域，信息是由二级量子态（qubits）处理的，当前对 qubits 物理实现的要求需要通过不同实验精确校准，以克服噪声和失相现象，其中对测量状态进行分类的模型开发是关键一步，本文基于真实的量子设备对多种分类技术进行了基准测试。

Sep, 2023

本文探讨使用量子分类器对二进制属性进行模式分类，特别是对图像数据集的分类表现良好，对医学领域来说是具有很大潜力的。

Nov, 2020

本文主要讨论了量子神经网络（Quantum Neural Networks）在监督学习任务中的不同结构和编码策略，并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能，以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。

Jun, 2022

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