本文提出一种使用经典神经网络协助量子学习的元学习方法，通过训练经典递归神经网络对 Quantum Approximate Optimization Algorithm (QAOA) for MaxCut，QAOA for Sherrington-Kirkpatrick Ising model 以及 Hubbard model 的参数进行快速优化，以减少优化迭代次数。同时，发现该方法可以推广到其他问题类型，使得量子学习更加高效。

Jul, 2019

量子机器学习需要强大、灵活和高效可训练的模型来成功解决具有挑战性的问题。本文介绍了密度量子神经网络，一种融合了一组可训练酉矩阵的随机化学习模型。这些模型使用参数化量子电路广义化了量子神经网络，并允许在表达能力和高效可训练性之间进行折中，特别适用于量子硬件。我们通过将其应用于两个最近提出的模型族来展示该形式化方法的灵活性。第一个是具有有效可训练性但表达能力可能受限的交换块量子神经网络 (QNNs)。第二个是正交 (保持汉明权重) 量子神经网络，它在数据上提供了定义明确且可解释的转换，但在量子设备上进行大规模训练具有挑战性。密度交换块 QNNs 增加了容量，几乎没有梯度复杂度增加，而密度正交神经网络减少了梯度查询的复杂度，几乎没有性能损失。我们通过对具有超参数优化的合成平移不变数据和 MNIST 图像数据进行数值实验来支持我们的发现。最后，我们讨论了与后变分量量子神经网络、基于测量的量子机器学习和辍学机制之间的联系。

May, 2024

本文开发了一个不可能定理，证明了使用量子神经网络（QNNs）从高保真度的初始状态开始，学习未知量子态的概率随比特数指数级下降，而与电路深度多项式增长，从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制，并深化了先验信息在 QNNs 中的作用的理解。

Sep, 2023

量子机器学习与经典机器学习中的核方法有相似之处，本研究探索了将经典神经网络与量子退火机连接的设置，并模拟了其在分类问题上的性能，发现加入小型量子退火机并不能显著提高性能。

Aug, 2023

我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

Nov, 2022

利用量子计算机和贝叶斯优化方法加速解决无监督学习中的聚类问题，并展示出在噪声环境下稳健的表现和经典优化方法的适用性。

Dec, 2017

本文展示了可以将时间有序的量子演化视作层次有序的神经网络，并将鲁棒控制看作是训练高度泛化的神经网络，利用批处理优化技巧使优化的结果能够显着提高控制的鲁棒性和保持高保真度。

Nov, 2018

这篇论文简要介绍了量子机器学习的潜在好处，探讨了使用量子计算原理和算法可能改进传统机器学习方法的潜力。论文涵盖了量子力学的基本原理，包括叠加态、相位空间和纠缠，介绍了利用这些特性的量子门的概念。还回顾了经典深度学习概念，如人工神经网络、梯度下降和反向传播，然后深入探讨了可训练的量子电路作为神经网络的概念。通过一个例子问题展示了量子神经网络的潜在优势，并提供了详细的推导附录。该论文旨在帮助新近接触量子力学和机器学习的研究人员更高效地发展自己的专业知识。

Feb, 2024

本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

Mar, 2018

本文主要讨论了量子神经网络（Quantum Neural Networks）在监督学习任务中的不同结构和编码策略，并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能，以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。

Jun, 2022