准确预测太阳能发电对于可持续能源系统的全球发展至关重要。本研究比较了量子长短期记忆（QLSTM）和经典长短期记忆（LSTM）模型在太阳能发电预测中的表现，结果显示 QLSTM 具有训练收敛加速和测试损失显著降低等优点。然而，要充分发挥 QLSTM 的潜力，需要进一步研究模型验证、系统超参数优化、硬件噪声韧性和相关可再生能源预测应用。通过严格基于真实数据的基准测试，本研究揭示了量子学习在可再生能源预测中的一个有前景的轨迹。进一步的研究和开发可以进一步实现该潜力，实现对全球太阳能发电的前所未有的准确性和可靠性预测。

Oct, 2023

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

Nov, 2023

本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题，并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。

Oct, 2022

量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

Apr, 2024

本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法，该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性，并提出了用于选择适当的观测量的方法，以比较量子和经典 DQN 算法的性能.

Mar, 2021

本研究在噪声中间规模量子（NISQ）设备上探索了使用量子自然语言处理算法进行语言翻译的可行性。我们采用香农熵来展示旋转门的适当角度在参数化量子电路性能中的重要作用，并利用这些角度（参数）作为不同语言的量子电路之间的通信方式，最终通过经典神经网络的编码器 - 解码器模型和长短期记忆（LSTM）的翻译任务实现了量子神经机器翻译，该翻译方法相对于经典方法具有潜在优势。在 160 个样本的实验中，我们使用了三种优化器训练模型，并通过使用 Adam 优化器训练具有两个 LSTM 层的最佳模型获得了最佳结果，其平均绝对误差为 0.03，均方误差为 0.002，损失为 0.016。我们的研究结果表明，尽管使用简单的同义句进行训练，但 Shannon 熵在处理复杂句子结构的更复杂机器翻译模型中具有一定的实用性。

Jul, 2023

证明了量子机器学习在加速监督学习任务方面具有计算优势，通过构建广泛的监督学习任务，并使用通用量子计算方法，证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度，并提供了实验中展示这一学习任务的经典数据准备协议。

Dec, 2023

利用机器学习模型，通过训练预测离散动力系统多个历史状态后一步的状态，可以准确地复制分叉图和 Lyapunov 指数；我们的结果表明，量子电路模型在减少过拟合、提高准确性和稳定性方面具有潜在优势。

May, 2024

本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

Jul, 2023