BILP-Q：量子联盟结构生成
QAL-BP 是一种用于解决装箱问题的新型二次无约束二值优化（QUBO）方法，利用增广拉格朗日方法将装箱约束融入目标函数中，同时为启发式罚函数提供了分析估计，通过在实际量子退火设备上进行实验，结果表明量子计算在解决装箱问题上的潜力，特别是在可靠的量子技术逐渐成熟时。
Sep, 2023
本研究利用量子力学硬件处理 NP-hard 的变优化问题，将图像识别问题转换为二次无约束二进制优化问题，进而利用 D-Wave 超导绝热量子计算（AQC）处理问题，该方法是一种有前途的特殊目的启发式算法解决方案。
Apr, 2008
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
研究表明，采用非标量化方法将多目标问题转化为单目标问题，可以克服 QUBO 解算器的设计折衷问题，并提高多目标 DA 算法的最终解决方案质量。
May, 2022
本文提出了两种基于机器学习的方法，采用强化学习 (RL) 框架和核密度估计 (KDE) 技术，分别用于优化 QAOA 电路，从小规模问题实例中学习，然后在较大的问题实例中使用，结果表明与其他现成的优化器相比，这两种方法可以将优化度缺口减少多达 30.15 个因子。
Nov, 2019
使用玻色子抽样方法实现基于矩阵永久性的双聚类识别，并提出一种使用高斯玻色子抽样方法在数据集中找到最密集子图的启发式方法，通过将数据集转换为二部图并运行高斯玻色子抽样来实现。
May, 2024
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
本文提出了量子模仿学习（QIL）概念及其实现方法，采用 Variational Quantum Circuits（VQCs）替代 Deep Neural Networks（DNNs）以提高表达能力，并利用 Quantum Advantage 加速模型训练，在 offline 和 online 两种情形下分别采取 Quantum Behavioural Cloning （Q-BC）和 Quantum Generative Adversarial Imitation Learning （Q-GAIL）两种算法进行训练，并在实验中验证了其与经典算法相当的性能。此研究有望开创量子时代人工智能的先河。
Apr, 2023