本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

Sep, 2023

利用深度量子神经网络的结构，提出一种用于预测药物效果的混合量子模型，并在减小的癌症药物敏感性基因组数据集上进行定量分析，表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。

Nov, 2022

利用量子计算机实现任意解析激活函数的量子算法填补了量子感知机领域的空白，使得任何前馈神经网络都能获得 Hornik 定理的通用逼近性质，从而使得机器学习、模式识别和聚类等问题更易于解决。

Jan, 2022

通过使用信号网络、先验知识和组学数据，我们提出了一种名为 PathFormer 的新型 GNN 模型结构，以对生物标志物进行排序和预测疾病诊断，相较于现有的 GNN 模型，在高度准确的预测能力方面有着显著优势（与现有的 GNN 模型相比，在疾病诊断方面提高了 30% 的准确性），并且在不同数据集上具有较高的生物标志物排名的可重复性。该改进在两个独立的阿尔茨海默病（AD）和癌症转录组数据集上得到验证，PathFormer 模型可以直接应用于其他组学数据分析研究。

Feb, 2024

蛋白质序列可以被看作自然语言处理中的句子，并且可以使用现有的量子自然语言处理框架解析为合理量子比特的参数化量子电路，这些电路可以被训练用于解决各种与蛋白质相关的机器学习问题。论文提出了适应蛋白质数据需求的详细方法，通过全面的实验结果支持，展示了两种不同的量子张量网络（QTN），并使用经典循环神经网络（RNN）和卷积神经网络（CNN）的灵感来解决所提到的二元分类任务。我们的最佳量子模型的准确率达到 94%，与使用 ESM2 蛋白质语言模型嵌入的经典模型性能相媲美，而我们最好的量子模型仅需要约 800 个参数。研究表明，这些混合模型表现出有希望的性能，展示了它们与类似复杂度的经典模型竞争的潜力。

Mar, 2024

通过设计用于贝叶斯优化的量子电路度量，我们提供了一种新的量子门距离，该距离表征了每个量子态下门的作用，并从理论上研究了其几何特性，从而显著提高了三个经验量子机器学习问题（包括训练量子生成敌对网络、解决 MaxCut 问题中的组合优化和模拟量子傅里叶变换） 的基准性能，同时我们的方法可以推广到各种量子机器学习模型上。

Jun, 2022

我们的研究主要关注于为容错量子计算架构开发激活函数的量子电路，重点在于最小化 $T$-depth。我们提出了 ReLU 和 leaky ReLU 激活函数的新实现，分别实现了恒定的 4 和 8 的 $T$-depth。借助量子查找表，我们还延伸研究到其他激活函数，如 sigmoid。通过调整量子比特的数量，我们能够定制精度和 $T$-depth，使得我们的研究结果在各种应用场景中更具适应性。这项研究对于提升量子机器学习的实用性和应用具有重要意义。

Apr, 2024

在这项初步研究中，我们比较了三种 Quantum Convolutional Neural Network-Long Short-Term Memory 模型与经典神经网络架构在多发性硬化 (Multiple Sclerosis) 残疾的二分类问题上的性能，研究结果显示，QCNN-LSTM 模型在时间效率上具备了与经典方法相媲美的性能。

Jan, 2024

我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。

Feb, 2024

通过应用量子机器学习到纯化数据集中进行转录因子分类以及排序，我们发现与其他经典方法相比，量子机器学习在分类性能上略微优越。因此，我们提出量子退火可能是对某些计算生物学问题实施机器学习的有效方法。

Feb, 2018