我们引入了一种新的梯度估计方法，称为 Guided-SPSA，它有意地结合了参数漂移规则和基于 SPSA 的梯度近似，能够在训练过程中减少所需的电路评估数量 15% 到 25％，并取得与参数漂移规则相比类似或更好的优化结果。Guided-SPSA 在所有情况下都优于标准 SPSA，并在参数子优化初始化等情况下优于参数漂移规则。我们通过数值实验展示了 Guided-SPSA 在量子机器学习的不同范式（如回归，分类和强化学习）上的性能。

Apr, 2024

本文探索了在混合量子 - 经典优化的上下文中，利用量子硬件估计期望值所产生的随机梯度下降优化，证明了在很多相关算法，如 VQE、QAOA 和某些量子分类器中使用 $k$ 次测量结果估计期望值的优化算法的收敛性能可以得到严格的理解，本文证明了所有算法都有收敛保证，并在基准 VQE、QAOA 和量子增强机器学习任务上进行了数值探索。

Oct, 2019

利用全程可编程的光子芯片首次在光子学中实验估计量子自然梯度（QNG），获得了 He-H$^+$ 阳离子的解离曲线并实现了化学精度，验证了 QNG 优化在光子学设备上的超越性，为利用 QNG 在光子学中实现实用的短期量子应用打开了新的视野。

Oct, 2023

该论文提出了一种名为量子阴影梯度下降 (QSGD) 的新程序，以解决一次性方法、量子阴影样本生成和非乘积态哈密顿量等相关问题，并通过理论证明、收敛分析和数值实验验证了其结果。

Oct, 2023

本文使用随机梯度下降算法 Pegasos 扩展至量子情形，以此解决量子支持向量机的核对齐问题。实验结果表明此算法可对非平稳数据实现高精度对准，优于现存的量子核对齐技术。

Apr, 2023

本文研究了如何直接从量子测量中估计要优化的函数的梯度，提出了一种基于 Pauli 旋转扩展的哈密顿量的梯度估计算法，可适用于带噪声量子门的多量子位参数量子演化。

May, 2020

量子神经网络（QNNs）需要一种高效的训练算法以实现实际的量子优势。我们提出了一种通用的权衡关系，即高测量效率会导致较低的表达能力，而减少 QNN 的表达能力可以提高梯度测量效率，同时提出了一种称为稳定 - 逻辑乘积 ansatz 的 QNN 设计方案，可以实现权衡不等式的上限，在学习未知对称函数时显著减少了量子资源需求，保持了准确性和可训练性。

Jun, 2024

本文提出了一种使用经典神经网络来生成量子电路参数的方法，以缓解 Barren Plateaus 现象，该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响，还能够在 VQA 训练期间减轻该影响，并展示了该方法在不同 CNN 架构下的表现。

May, 2022

通过提出参数并行分布式变分量子算法（PPD-VQA）和可替代的训练策略，以及梯度压缩技术来缓解由于噪声差异导致的加速度衰减和潜在通信瓶颈的影响，这项研究证明 PPD-VQA 可以为多个量子处理器协调处理大规模实际应用提供实用的解决方案。

Jul, 2022

通过使用变分蒙特卡罗方法优化的神经网络波函数，虽然高昂的优化成本限制了其在更大系统中的应用，但是我们提出了子采样投影增量自然梯度下降（SPRING）优化器来减少这个瓶颈。我们证明了 SPRING 优于 MinSR 和 KFAC 在一些小原子和分子上的效果，前提是所有方法的学习率都经过最优调整。例如，对于氧原子，在四万次训练迭代后，SPRING 达到了化学精度，而 MinSR 和 KFAC 即使在十万次迭代后仍然未能达到。

Jan, 2024