本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。

Nov, 2019

本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

Nov, 2018

本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨，其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化，本方法能够较好地应用于混合状态的编码，可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态，达到了与标准技术相当的保真度。

Jan, 2018

该研究对噪声对量子神经网络的影响进行了全面分析，研究了 Mottonen 状态准备算法在各种噪声模型下的表现，并研究了量子状态在多层量子神经网络中的退化。此外，该论文评估了噪声对预训练量子神经网络性能的影响，并强调了噪声模型在量子计算中所带来的挑战。该研究结果对量子软件的发展具有重要意义，强调了在开发可靠和可信赖的量子神经网络时优先考虑稳定性和噪声修正措施的重要性，为量子计算和量子机器学习领域的数据库添砖加瓦，提供了对噪声对量子神经网络影响的新洞察，为更强大和有效的量子算法的发展铺平了道路。

Nov, 2023

通过引入基于深度学习的量子感测方案（DQS），光学量子传感器在未知环境中达到 Heisenberg 极限，利用图神经网络预测器和三角插值算法实现对光学装置与量子费舍尔信息之间的内在关系的发掘，从而加速光学量子感测任务并促进深度学习与量子力学的未来研究。

Nov, 2023

通过训练神经网络来减少 SPAM 错误，可以提高量子态重建的保真度。

Apr, 2019

提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言，我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性，而不改变底层架构。

Jan, 2022

本研究提出了一种基于机器学习技术的有效模拟量子多体系统动力学的方法，使用受限玻尔兹曼机表示混合多体量子态，并导出一个指向时间演化和稳态的变分蒙特卡洛算法，通过针对耗散自旋晶格系统的数值实例验证了该方法的准确性。

Feb, 2019

采用深度神经网络可以同时预测量子态的多个特性，并可通过局部测量来推断多体量子系统的全局特性，用于识别对称保护拓扑态和发现不同相之间的未知边界。

Oct, 2023

利用基于循环神经网络的机器学习模型来优化动力解耦（DD）序列，通过对比实验结果表明该方法能够提高量子存储器的性能和噪声抑制，且易于在实验中执行。

Apr, 2016