本文研究了网络结构熵的复杂性度量，通过对给定期望度序列的网络的 Shannon 熵和 Von Neumann 熵之间的关系的研究，发现当度分布包含一定的异质性时，两种熵之间存在有趣的相关性，这似乎表明这种异质性意味着网络的量子和经典描述之间的等价性分别对应于 Von Neumann 和 Shannon 熵。

Nov, 2010

这项研究检查了不同的量子状态重构技术的性能，并证明了可以通过应用方差减少技术来系统地减少算法的量子资源需求。作者比较了两种主要的神经量子态编码方法，即神经密度算符和正算子值测量表示，并阐述了它们在混杂度不同的情况下表现出不同的性能。

Jul, 2023

我们提出了一种基于机器学习的方案来测量任意子系统之间的纠缠度，利用可测量的瞬时量和对数负度量与未知的非线性函数之间的关系，并且无需对状态有任何先验知识，通过该方法可以在宏观体系中测量纠缠度，特别是在强相互作用多体系统的平衡和非平衡情况下。

Sep, 2017

利用神经和张量网络近似精确、高效和量子一致地演化封闭纠缠系统的方法，可以解决传统计算方法在哈密顿空间增加时遇到的硬性限制，为众多量子计量问题提供了有趣的解决方案。

Jun, 2024

通过使用变分 Monte Carlo 方法和神经网络密度矩阵表示，我们开发了一种有效模拟开放量子系统非平衡稳定态的方法，并通过建模二维耗散性 XYZ 自旋模型进行测试。

Feb, 2019

分析和比较了两个变体的二次近似，并在合成和真实的图形上进行了广泛的实验，发现两个熵引起了类似但存在一些显著差异的结构的出现。

Sep, 2018

利用组合拉普拉斯的正则化方法，研究其特征值在概率分布上的 Shannon 熵作为图的正则度量，证明当节点集大小无限大时，正则图和完全图具有相等的正则度，而当边数固定时，具有大团的图似乎能够将此熵最小化。

Dec, 2008

本文介绍了两种量子系统密度矩阵估计方法：量子最大似然法和量子变分推断法，它们利用构造可变分族来模拟混合量子态的密度矩阵，引入了量子流和适当的损失函数来导出感兴趣的本征态和本征值，用这种方法和传统的格技术比较，有新的估计密度矩阵的可能性。

Apr, 2019

本文研究高维鲁棒统计中的两个问题：鲁棒均值估计和异常值检测。我们提出了一种新的异常值评分方法，称之为 QUE 评分，它基于量子熵正则化，可以显著提高异常值检测的性能。在鲁棒均值估计方面，我们的算法具有最优误差率和近似线性的运行时间，改善了之前最快运行时间的算法。

Jun, 2019

本文介绍了一类采用可计算的信息理论模型的深度学习模型，探讨了该模型从启发式的统计物理方法中导出熵和互信息的方法，在该方法的基础上，设计了一种实验框架用于对生成模型进行训练，并对该模型进行验证，同时研究了本模型在学习过程中的行为，得出结论：在所提出的情况下，压缩和泛化之间的关系仍然不明确。

May, 2018