深度神经网络具有很高的表示能力，能够高效地表示大多数物理态，然而浅层神经网络在计算复杂度理论中的一些较高层次上不能够高效地表示这些态。

Jan, 2017

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

本研究提出了一种自我学习的方法，使用无人干预的生成式模型来描述量子状态，通过研究该模型学习到的内在表示方式及其对量子态的理解，我们证明该方法具有实现可解释机器学习量子态的潜力，且能够进行自主学习，并为机器学习如何自我学习小规模量子系统提供了见解。

Jun, 2023

我们开发了一种构造性方法来生成人工神经网络，代表大量多体格子哈密顿量的准确基态。它基于深层玻尔兹曼机架构，在其中，隐藏层的两层中介绍了可见层中的物理自由度之间的量子相关性。通过对物理和神经元自由度的配置进行采样，可以测量物理量，并获得基态的紧凑、准确的网络表示，而且完全是确定性的。有了我们的方法，作为多体量子系统的紧凑、经典表示，它是标准路径积分的一种替代方案，也有可能对基于受限玻尔兹曼机架构的数值方法进行系统改进。

Feb, 2018

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

本文提出了一种能学习非确定性表示的 stochastic ensemble 模型，通过从模型集合中有条件地采样，能够获得每个输入示例的多个表示，并在 MNIST 的 one-shot learning 场景中进行了测试。

Dec, 2014

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

通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。

Jun, 2016

本研究提出了一个新的用于计算量子多体基态性质的优化框架，该方法通过基于 Langevin 动力学的梯度分数进行抽样，避免了显式概率分布，采用加权分数匹配目标引导模型正确收敛到基态，测例表明其能准确地学习原子系统的基态，并为量子系统的更高效表示铺平了道路。

May, 2023

运用机器学习技术设计了量子神经网络，该网络明确地结合了大量具有物理相关性的对称性，以预测原子势能和原子力的潜在能量表面。研究结果表明，凭借几何量子机器学习框架，分子力场的生成可以从中获益，并且化学系统对于发展和应用先进量子机器学习工具具有丰富的应用潜力。

Nov, 2023