证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力，PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。
Oct, 2018
该综述论文介绍了混合量子 - 经典系统的模型和组件，并讨论了它们在监督式学习、生成建模等数据驱动任务中的应用，预示着这个迅速发展的领域将有广泛的现实应用。
Jun, 2019
理解参数化量子电路在机器学习任务中的能力是量子机器学习中最重要的问题之一。本文通过函数逼近的角度分析了参数化量子电路的表达能力，并展示了在逼近连续和平滑函数方面数据重新上传参数化量子电路的明确构造，以及其在宽度、深度和可训练参数数量方面的定量逼近误差界限。此外，我们还将提出的参数化量子电路与近乎最优的深度神经网络进行了比较，在逼近高维平滑函数方面，表明参数化量子电路和深度神经网络之间的模型尺寸比在输入维度方面呈指数级减小，这为展示量子机器学习的量子优势提供了潜在的新途径。
Oct, 2023
比较量子机器学习和经典机器学习模型中的特征重要性和解释性，使用 IBM 的 Qiskit 平台的混合量子算法（Variational Quantum Classifier 和 Quantum Support Vector Classifier）和经典算法（SVM 和 Random Forests）对广为认可的 Iris 数据集进行实验，并使用置换、去一特征重要性方法以及 ALE 和 SHAP 解释器产生的见解进行对比。
May, 2024
该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。
Jun, 2024
量子计算在近年来取得了显著进展，不仅吸引了研究实验室的极大兴趣，也在各个行业引起了广泛关注。这篇论文提供了量子架构搜索 (QAS) 的概览，通过检验相关的研究成果，讨论在设计和执行自动搜索最佳参数化量子电路时面临的主要挑战，以及解决这些挑战的方法，以便促进未来的研究。
量子机器学习研究了快速化和精确推断方法，通过对 MNIST 和 MNIST Fashion 数据集进行实验，证明了反向训练对于提高单个样本推断准确性的有效性。
本文提出了一种名为 PUTPUT（通过修剪基本逻辑理论进行概率电路理解）的方法，通过计算可理解的、可读的逻辑理论来改进概率电路的可解释性，并应用于一个真实的使用案例，即自动生成音乐播放列表并将其表示为可读（数据库）查询。评估结果表明，该方法能够有效地生成描述概率电路高密度区域的可理解的逻辑理论，并在性能和可理解性权衡方面优于现有方法。
Nov, 2023
该研究介绍了一种使用图神经网络（GNNs）对参数化量子电路（PQCs）的可表达性进行估计的新方法，并通过实验证明了其预测能力和性能。
在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。
Dec, 2023