本文深入研究了混合量子 - 经典变分算法中外循环经典优化的有效途径，并在 MaxCut 问题上通过发现优化参数中的模式，提出了启发式策略以在 $O (poly (p) $) 的时间内，找到近似最优的 p 级 QAOA $o$ 参数。与量子退火比较发现 QAOA 可以通过优化学习利用非绝热机制来克服与湮灭光谱间隙相关的挑战。在资源分析中，揭示了仅当问题规模大于数字模拟但可在近期设备中访问时，优化才是重要的，并提出用 2D 中性原子系统实现大型 MaxCut 问题的可行方法，从而挑战最佳经典算法所达到的范畴。

Dec, 2018

我们的研究通过使用图神经网络（GNN）作为热启动技术来优化 QAOA 初始化，为了减少量子计算资源的开销，牺牲了大量的经济计算资源，从而提高了 QAOA 的效果；实验结果表明 GNN 有助于提高 QAOA 的性能，为量子计算中的混合量子 - 经典方法开辟了新的途径，也为实际应用做出了贡献。

Mar, 2024

本文研究了量子近似优化算法在 MaxCut 问题上的性能，并使用自动微分和随机梯度下降优化量子电路。研究表明，使用批处理可以分摊训练成本，QAOA 算法可以在短小的电路深度下超越多项式时间的高曼 - 威廉姆斯算法，在固定电路深度下的表现不受问题规模的影响。此外，MaxCut QAOA 可在有限量子比特连接的门控量子计算机上有效实现，使用量子比特交换网络。

Nov, 2018

我们提出了一个基于强化学习的算法，用于量子近似优化算法（QAOA）内的量子反馈控制，能够基于局部信息选择控制参数，并实现了训练数据的小样本转移学习。

Apr, 2020

本文研究了量子计算对强化学习问题的潜在帮助，通过量子演化电路来解决强化学习问题，提出了使经典数据编码成量子演化电路的技术，并探索了 DQN 和 Double DQN 的量子算法。结果表明，使用量子演化电路可以更好地解决强化学习任务。

Aug, 2020

本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法，该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性，并提出了用于选择适当的观测量的方法，以比较量子和经典 DQN 算法的性能.

Mar, 2021

本文提出一种使用经典神经网络协助量子学习的元学习方法，通过训练经典递归神经网络对 Quantum Approximate Optimization Algorithm (QAOA) for MaxCut，QAOA for Sherrington-Kirkpatrick Ising model 以及 Hubbard model 的参数进行快速优化，以减少优化迭代次数。同时，发现该方法可以推广到其他问题类型，使得量子学习更加高效。

Jul, 2019

基于 Hamiltonian 的量子强化学习（QRL）是将量子计算与神经组合优化相结合的一种方法，通过对组合优化问题的 Hamiltonian 公式建模，拥有较好的训练性能，适用于广泛的问题类别，并与 QAOA 进行了比较。

May, 2024

量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。

May, 2024

本研究使用多次启动优化方法优化量子近似优化算法在图形聚类问题中的性能，并证明重用类似问题的最优参数可以扩展用于 MAXCUT 的相似结果。

May, 2019