该研究介绍了使用原生团子图的方法，将任意的二体相互作用构造成一种能被 D-Wave 量子退火处理器求解的 Ising 自旋问题，并给出了一种多项式时间复杂度的算法来寻找给定的感应子图中的最大本地团子图。

Jul, 2015

使用量子启发的二维张量网络，利用基于图的投影纠缠对态（gPEPS）来高效准确地模拟 IBM 最大的量子处理器 Eagle（127 个量子比特），Osprey（433 个量子比特）和 Condor（1121 个量子比特）的动力学。结果表明，对于这个模型，简单的张量更新就已经足够获得非常大的前所未有的准确性，并且计算资源消耗非常低。除了模拟原始的 127 个量子比特实验外，我们还将结果扩展到 433 个和 1121 个量子比特，从而为最新的 IBM 量子机器设定了一个基准。我们还汇报了无穷多量子比特的准确模拟结果。结果表明，gPEPS 是一种有效模拟基于格子连接的量子计算机的自然工具，例如基于超导量子比特的所有量子处理器。

Sep, 2023

通过嵌入技术添加冗余数据集，可以提高量子模拟器的模型容量，因此，我们的方法可以避免其每次迭代基于推断有效温度的需求，从而加快了学习速度，减轻了参数控制噪声的影响，使其能够验证使用量子计算实现生成模型的可行性，并为这些量子技术在与机器学习相关的任务上进行基准测试提供了适当的框架。

Sep, 2016

本文评估了 D-Wave 2X 量子退火器在 NP 难图问题（特别是团搜索和图划分）上的表现，比较了一系列量子求解器和当前的经典算法，并演示了在卡片上可以嵌入的实例中量子计算速度的大幅提升。

Jan, 2018

本研究提出了在量子计算机上实现图神经网络（GNNs）的框架，以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战，通过制定与三种经典 GNNs 对应的量子算法：图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）和消息传递 GNNs（Message-Passing GNNs）。我们对简化的图卷积（SGC）网络的量子实现进行了复杂性分析，结果显示与经典方法相比，我们的量子 SGC 在时间和空间复杂度上具有潜在的优势，能够高效处理大规模图，这为在量子计算机上实现更先进的图神经网络模型铺平了道路，为用于分析图结构数据的量子机器学习开拓了新的可能性。

May, 2024

该篇文章介绍了基于超导通量量子位的 108 量子比特 D-Wave One 设备的量子退火实验结果，证明设备能够执行量子退火，作者使用了优化过的经典算法来比较该设备的计算能力。

Apr, 2013

使用基于配对的图神经网络 $ extit {GemiNet}$ 模拟量子多体系统，通过将 BCS 均场波函数与由图神经网络参数化的广义配对振幅相结合，我们的架构提供了一种准确、灵活、可扩展的方法来模拟多电子系统。将 GemiNet 应用于二维半导体电子 - 空穴双层，并获得了在各种相互作用引起的相变中的高精度结果，包括激子玻色 - 爱因斯坦凝聚、电子 - 空穴超导体和双层维格纳晶体。我们的研究展示了以物理为基础的神经网络波函数在量子材料模拟中的潜力。

Nov, 2023

这篇论文介绍了一种新的变分量子电路模型 —— 量子完全图神经网络（QCGNN），用于学习完全图，并通过与经典图神经网络的比较分析建立了一个基准。

Mar, 2024

本文使用随机梯度下降算法 Pegasos 扩展至量子情形，以此解决量子支持向量机的核对齐问题。实验结果表明此算法可对非平稳数据实现高精度对准，优于现存的量子核对齐技术。

Apr, 2023

本文演示了 Google Sycamore 超导量子位计算机在组合优化问题上的应用及 QAOA 算法，克服了硬件连接性图不同于实际问题图的挑战，并提出了在未来的开发中应注重更多这样的问题。

Apr, 2020