本文提出了一种端到端的量子神经网络 TTN-VQC，结合了张量列车网络和变分量子电路，进行降维和多功能回归，对其表示和概括能力进行了误差性能分析，证实了在手写数字分类数据集上进行功能回归的实验结果。

Jun, 2022

在嘈杂中等规模量子（NISQ）时代，本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略，以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。

May, 2024

本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

Mar, 2018

用张量网络作为数学工具，基于量子信息和多体物理等理论实现了机器学习，提高了可解释性和效率，并预示了将来发展的 “量子人工智能” 方向。

Nov, 2023

通过引入 Tensor Ring 进行优化，提出了一种多层设计的 Tensor Ring 优化量子学习分类器（Quan-TR），取代了 Tensor Networks 的全连接层；通过在量子位测量上使用随机梯度下降算法，将 TR-QNet 参数进行优化。在 Iris、MNIST 和 CIFAR-10 等三个不同数据集上进行评估，证明了对于二分类问题实现了更高的精确度。通过对比 TN 模型的最新量子和经典实现进行基准研究，展示了所提出的 TR-QNet 的有效性。另外，TR-QNet 的可扩展性突出了其在大规模深度学习应用中的潜力。通过 Github 上的 PyTorch 实现可得到 TR-QNet。

Oct, 2023

量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。

May, 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

本研究通过分析神经切向核理论，定义了量子神经切向核，推导出其与损失函数之间的动力学方程，探讨了基于变分量子电路的量子机器学习和优化问题的培训动态的分析结果和数值模拟实验的支持结果。

Nov, 2021

本研究提出了一种创新的方法，利用进化增强的无参数化电路进行监督学习模型，该模型采用可变拓扑的电路经由精英方法演化，从而减轻了贫瘠高原问题，并引入了多热编码的叠加概念，方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析，我们的框架在训练效率和精确度方面得到了显著的提升。此外，我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试，展示了在 NISQ 时代实现量子优势的潜在替代路径。

Nov, 2023

我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

Oct, 2018