本文提出了一种新的基于量子玻尔兹曼分布的机器学习方法，即量子玻尔兹曼机。通过对量子概率引入边界，可以使该机器学习模型的训练高效进行，同时也探讨了使用 D-Wave 等量子退火处理器进行训练和应用的可能性。

Jan, 2016

引入了一种新型的生成量子神经网络模型 —— 量子哈密顿模型（QHBM），并介绍了可将 Variational Quantum Eigensolver（VQE）推广到热力学状态的 Variational Quantum Thermalizer（VQT），并将其应用于 Heisenberg 自旋系统、模拟自由玻色子系统中的量子关联哈密顿量和压缩码以及制备热费米高斯态的量子模拟。

Oct, 2019

使用量子玻尔兹曼机实现的量子变分自编码器（QVAE）比仅涉及生成过程中的离散变量的相似方法在 MNIST 数据集上实现了最先进的性能。将 QBM 放置在 VAE 的潜在空间中将充分发挥当前和下一代量子计算机作为采样设备的潜力。

Feb, 2018

本文介绍了变分原理的应用，包括用于解决静态问题的 Rayleigh-Ritz 方法，以及用于模拟实时动力学的 Dirac、Frenkel 和 McLachlan 变分原理。同时，本文还形容了它们之间的联系，并进一步扩展了变分方法以适应混合态干扰，包括虚时间和实时间的模拟，并设计了用于量子电路的变分算法。

Dec, 2018

基于测量的量子计算（MBQC）利用量子测量的固有随机性设计量子算法，以及利用 MBQC 中的随机副产品作为计算资源来进行的生成建模任务的算法设计工作。我们提出了一种带有控制参数的变分 MBQC 算法，可以直接调整计算中接纳的随机程度。我们的数值结果表明，这种额外的随机性可以在特定的生成建模任务中带来显著的学习性能提升，强调了利用 MBQC 固有随机性的潜在优势，并激发了进一步基于 MBQC 的算法研究。

Oct, 2023

本文提出了一种基于神经网络量子态的新型变分方案来模拟开放量子多体系统的静态态。我们使用受限玻尔兹曼机器描述的高表现力变分方案，称之为神经静态态方案，计算服从 Lindblad 主方程的量子动力学的静态态。将静态状态搜索问题映射为寻找相应的 Hermitian 运算符的零能量基态，可以应用传统的变分蒙特卡罗方法进行优化。我们的方法被证明能有效地模拟各种自旋系统，即在一维和二维中的横场伊辛模型和一维中的 XYZ 模型。

Feb, 2019

研究如何应用机器学习技术中的一种生成模型 —— 变分自编码器来高效表示和编码一类难以对其进行采样的量子状态，该方法可以有效地对量子硬件中预期的大规模量子态进行描述和初步表征。

Oct, 2017

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

本文介绍了基于变分方法的新型混合量子 - 经典算法类别，重点是探究了优化方法和精度水平对变分算法的性能影响，最后提出了用拟牛顿优化方法执行量子逼近优化算法的结果。

Jan, 2017

本研究提出了一种基于绝热态制备的量子态简便构建方案，并在 Hubbard 模型和小分子上进行了测试，比之前基于耦合集群的方案更快收敛

Jul, 2015