探讨了量子计算在机器学习中的应用和机器学习任务中存在的与传统计算不同之处，提出了一种用于评估量子学习任务潜在优势的方法，并提出了一种通过量子速度提高学习效率的量子机器学习模型。

Nov, 2020

研究了预测 n 个量子比特上任何未知量子过程的机器学习算法，该算法可在广泛分布的任意 n 比特状态下学习预测来自未知过程 E 的任何本地属性，具有小的平均误差率。本文的算法组合了学习未知状态属性和学习低阶近似未知的可观测量的有效过程，并证明了新的范数不等式，包括一个量子模拟 Bohnenblust-Hille 不等式。通过数值实验证明，机器学习模型能够比运行过程本身快得多地预测复杂量子动态的输出。

Oct, 2022

这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据，并可以有效地分类一系列的量子相，在量子实验中可以通过构建经典影像来预测系统的多种属性。

Jun, 2021

通过回顾机器学习中的量子计算文献，研究了量子算法的限制、与传统经典算法的比较，以及为什么期望量子资源能够提供学习问题的优势，而在存在噪声和某些计算困难的问题中，量子计算令人期待的路线。

Jul, 2017

证明了量子机器学习在加速监督学习任务方面具有计算优势，通过构建广泛的监督学习任务，并使用通用量子计算方法，证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度，并提供了实验中展示这一学习任务的经典数据准备协议。

Dec, 2023

通过经典模拟进行基准测试是在没有无噪声硬件之前评估量子机器学习想法的主要方法之一。然而，实验设计的巨大影响、当今可行范围内的小规模以及受量子技术商业化影响的叙事使得难以获得稳健的见解。为了促进更好的决策，我们开发了一个基于 PennyLane 软件框架的开源包，并使用它对 12 个流行的量子机器学习模型在 6 个二分类任务上进行了大规模研究，这些任务用于创建 160 个单独的数据集。我们发现整体而言，开箱即用的经典机器学习模型优于量子分类器。此外，将一个量子模型中的纠缠去除往往会导致同样好或更好的性能，这表明在这里考虑的小学习任务中，“量子性” 可能不是关键因素。我们的基准测试还开启了超越简单排行榜比较的研究，并从我们的结果中提出了五个与量子模型设计相关的重要问题。

Mar, 2024

利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

Nov, 2023

本文介绍了机器学习与量子计算的关系以及目前在实践中评估量子计算的困境，提出了拓展研究视角以探究其在机器学习领域的潜在应用的必要性。

Mar, 2022

本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

Oct, 2020

本文系统概述了新兴领域 - 量子机器学习的方法、技术细节以及未来理论的潜力。该领域研究人员研究了量子计算如何帮助改进传统的机器学习算法，具有重要的计算优势。

Sep, 2014