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

本文提出了一种 Bayesian 的 Hamiltonian 学习 (BHL) 方法，可以在线适应性地评估量子系统的 Hamiltonian，通过实验数据更新预测结果，从而解决量子设备噪声诊断和量子 Hamiltonian 学习的问题，在高达 100 个量子位的数值模拟中验证了方法的可扩展性和准确性。

Dec, 2019

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

本文介绍了哈密顿生成网络 (HGN) 和神经哈密顿流 (NHF)，这是第一种能够从高维度观察中连续地学习哈密顿动力学而无需限制性条件的方法，它能够可靠地从机器学习的角度解决很多问题。

Sep, 2019

该研究探讨了在量子技术方面，异常探测的重要性并提出了通过机器学习算法（如核主成分分析和一类支持向量机）来实现异常探测。在底层量子逻辑上寻找对应的量子算法，并证明了这两个量子算法的资源需求可以对量子状态的维数以及用于训练机器学习算法的量子状态数量取对数。这使得这些算法可用于处理大规模的量子数据。

Oct, 2017

本文提出一种全数据驱动的方法，利用自编码神经网络组件估计哈密顿系统的相空间，通过另一个神经网络组件来逼近其哈密顿函数并在两个组件之间进行联合训练，提取了摆锤的相空间和生成哈密顿函数。

Jul, 2019

使用基于数据的元学习算法可以识别控制由相同物理定律支配的哈密顿体系的物理规律，无需进行数学假设。在多种物理系统上验证我们的方法可以识别哈密顿共享表达式。

Feb, 2021

建议了三种具备可加性可分性的 Hamilton 神经网络模型，通过减少状态变量之间的复杂性，更有效地回归 Hamilton 的向量场。

Sep, 2023

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

使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

Jul, 2023