我们提出旋转网络的使用，它是一种在群变换下保持不变的有向张量网络，用于设计具有自旋旋转对称性的参数化等变量量子电路。我们证明了该构建与其他已知构建的数学等价性，并且在量子硬件上更直接实现。我们通过求解一维三角晶格和 Kagome 晶格上具有 SU (2) 对称性的海森堡模型的基态问题来测试我们构建的电路的有效性，并且结果表明我们的等变电路提升了量子变分算法的性能，暗示了对其他实际问题的更广泛适用性。

Sep, 2023

我们提出了一种有效的方法，同时优化量子电路的结构和参数值，具有较小的计算开销，适用于噪声中等规模的量子计算机。我们在模拟中优化了变分量子本征求解器，以找到氢化锂和海森堡模型的基态，并在 IBM Melbourne 量子计算机上找到氢气的基态。

May, 2019

本研究探讨了如何利用问题的对称性构建量子学习模型，并提出了一种通过门对称化将标准门集转换为等变门集的方法，在具有对称性结构的变分问题中得到了应用。

May, 2022

本文重点研究量子信息中的辛变换及其生成器，进而通过哈尔随机辛电路和张量网络工具的分析，证明了在对数深度时计算基测量的反聚焦特性。

May, 2024

该研究探讨了混合量子 - 经典优化和学习策略，并提出了一种利用哈密顿在李代数或群论中的代数对称性进行梯度估计的框架，以及使用经典影子重建方法进一步减少测量次数的方法。

Apr, 2024

本文探讨了在物理学和机器学习领域中，研究对称群等变机器学习结构所带来的深度投资和收益，并讨论了应用这些方法的潜在益处和限制以及对不同物理应用的各种评估指标。

Mar, 2022

本文介绍了一种恢复 VQE 算法中 Hamiltonian 对称性的算法方案，该方案应用投影算符来实现空间对称性的恢复，具有量子电路与非幺正投影算符的组合优势，能够在较浅的量子电路中实现显著的基态精度提升，并近似计算对称性限制下的激发态能量。

Dec, 2019

本研究介绍了一种基于对称性的有效量子态制备电路方案，可以在量子计算中高效地实现化学模拟，并在 $H_2$ 和 $LiH$ 的量子模拟中表现出更高的准确性和电路深度。

Apr, 2019

我们提出并分析了一种近似对称的神经网络家族，用于量子自旋液体问题。我们的方法在参数效率、可扩展性方面明显优于现有的无对称神经网络体系结构，并利用混合场拓扑码模型证明我们的方法与现有的张量网络和量子蒙特卡罗方法相竞争。此外，在最大的系统尺寸（N=480）下，我们的方法可以探索存在量子蒙特卡罗和有限尺寸矩阵乘积态无法解决的带有符号问题的哈密顿量。该网络包含一个完全对称的块以及一个非对称的块，我们认为它学习了类似准绝热延续的基态变换。我们的工作为在可解释的神经网络架构下研究量子自旋液体问题铺平了道路。

May, 2024

为了在限制条件下优化量子算法的资源利用，本文开发了如何减少模拟分子所需量子比特数的方法，用的是空间对称性的第二量子化表示，并将它们转换为它们的量子比特运算符表示。

Oct, 2019