本文提出了一个高效和高准确度的量子分类器，它利用降维和分类的量子技术，被测试在 MNIST 数据集上，具有类似经典方法的 98.5％准确度，并且在数据点和维度上的运行时间是多对数的。

May, 2018

本文介绍了如何使用 D-Wave 2X 作为无监督机器学习方法的一部分来分析大型数据集，该方法仅限于从数据集中提取的特征数量，并将此方法应用于学习一组面部图像的特征。

Apr, 2017

通过应用无监督词典特征学习方法，我们研究了稀疏二进制表示问题，并使用量子退火和 Loihi 2 神经形态处理器求解了该问题。我们的结果表明，量子退火在大多数情况下与模拟退火相似，但模拟退火总能找到最优解，而量子退火不能。Loihi 2 采样得到的解比其他方法更加稀疏，而且 Loihi 2 在性能上优于标准的 D-Wave 量子退火处理器。

May, 2024

量子机器学习算法对工业应用的潜在影响仍然是一个激动人心的待解问题，我们尝试通过改进一种近期提出的变分算法，用当前可用的量子计算机的本机门集合和拓扑结构逼近准备编码数据，将该算法应用于 Fashion-MNIST 数据集，并在当前量子计算机上部署简单的量子变分分类器对编码的数据集进行训练，实现了中等精度的结果，为我们的数据编码方法的近期可用性提供了概念验证。

Mar, 2024

使用 PennyLane 实现的量子卷积神经网络（QCNN）通过参数化量子电路优化来最小化交叉熵损失，用于经典数据的多类分类，在 MNIST 数据集上的实验结果表明，对于 4 类问题，性能略低于经典 CNN，但对于更多类别的问题，量子卷积神经网络表现出更好的性能。

Apr, 2024

通过将特征分布在多个小型量子神经网络并利用其期望值的集成生成预测，我们的研究表明分布式量子神经网络是与近期量子设备兼容的实用量子机器学习算法的有希望的方向，其不仅对大型数据集实现高准确率的预测，而且还降低了每个量子神经网络的硬件需求。

Dec, 2023

本研究探究了使用 D-Wave 量子退火机器从 Restricted Boltzmann Machines 中生成样本来估计模型期望值的新方法，并在较粗粒度的 MNIST 数据集上进行训练测试，结果表明基于量子取样的训练方法可以在相对较少的生成性训练迭代次数内实现与传统 CD 方法相当或更高的精度。

Oct, 2015

本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

May, 2016

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

该研究提出了一种用于训练量化神经网络（QNN）的 Ising 学习算法，该算法通过二进制编码网络拓扑和损失函数的降阶，实现了在 Ising 机器上训练多层前馈神经网络。该算法的空间复杂度约为 O (H^2L + HLNlogH)，通过模拟 Ising 机器在 MNIST 数据集上验证了其有效性。

Nov, 2023