我们提出了 $S_n$- 等变量子卷积电路的理论框架，利用傅里叶空间神经结构等方法速度超指数级地计算 $S_n$- 傅里叶系数矩阵元，证明了该框架的普适性，并进行了在量子机器学习和优化方面的应用与数值模拟，这是第一次将著名的 Okounkov-Vershik 表示理论应用于机器学习和量子物理。

Dec, 2021

量子机器学习中，基于置换对称系统的强大算法被提出，利用对称群、等价量子卷积神经网络等关键词建立了置换对称系统的强大算法。

Apr, 2024

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

在这篇论文中，我们提出了 QuantumSEA 方法，通过动态探索电路的稀疏连接并在训练过程中保持少量的量子门，以实现训练时的电路容量，并在真实的量子设备上实现可行的执行；同时通过在真实设备噪声模型下联合优化量子电路的拓扑和参数，提高了噪声鲁棒性。在 7 个量子机器学习和变分量子特征解算器基准测试中进行了广泛实验，QuantumSEA 方法始终明显优于噪声感知搜索、人工设计和随机生成的量子电路基线，即使在最具挑战性的芯片训练模式下，我们的方法仅使用一半的量子门，节省了约两倍的电路执行时间。

Jan, 2024

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

使用 ST-VQC 设计空间 - 时间深度学习量子电路，在 IBM 量子处理器上实现超过 30％的准确性提升，并在非线性合成数据集上比线性分类器提高 27.9％的性能。

Jul, 2023

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

本研究提出了基于不同 SU (d) 对称性物理系统的 equivariant convolutional algorithms 框架，它能够增强量子计算模型，如 permutational quantum computing (PQC)，定义了一个更强大的模型，PQC+。我们进一步讨论了可在 PQC + 范式下执行的实用量子机器学习算法。

Jul, 2022

提出了 QuantumNAS，这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架，使用多层预定义参数化门构建 SuperCircuit，并通过迭代参数子集的采样和更新进行训练，最终通过演化联合搜索刻画了 SubCircuit 的性能和其量子比特映射，最后通过迭代门修剪和微调去除冗余门，相较于基线方案，在 12 个用例上显著提高了性能，并达到了 QML 的精度水平。

Jul, 2021

通过量子架构搜索来最大程度地提高 VQAs 的鲁棒性和可培训性，以在嘈杂的中间规模量子设备上实现数据分类和量子化学任务的优化。

Oct, 2020