本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。

Jan, 2018

研究了利用人工神经网络作为通用变分波函数描述强相互作用量子系统的表现，特别是对于方格上的自旋模型，提出了使用由两个解耦实值网络组成的近似形式，并采用具体的缓解策略克服了固有的数值不稳定性。

Nov, 2020

本研究综述了监督学习和深度神经网络的设计，用于学习代数多元环的成员身份，并证明这些神经网络可以预测量子态的纠缠类型。我们给出了检测退化状态和二进制量子比特和三进制量子比特（三元量子比特）的边界秩分类的实例。

Aug, 2019

本文提出一种基于变分算法的线性代数任务解法，适用于嘈杂的中尺度量子设备，并可应用于稀疏矩阵、机器学习和优化问题。通过数值模拟和 IBM 量子云设备验证，算法成功解决了线性方程组问题，解决的精度高达 99.95%。

Sep, 2019

通过渐进增加量子比特的数目，同时采用张量网络表示方式和对实际系统对称性的保留，我们提出了一种方法来研究近期噪声中等规模量子计算机上的量子多体系统的基态性质，并在实用场景中展示了其可行性。

Feb, 2019

通过对哈密顿变分试探算法的研究，发现它在结构上表现良好，具有较弱或完全不存在的荒漠高原特征和较小的状态空间，因此容易优化。同时也观察到了随着电路层数的增加而出现的从困难局面到优化的转变，以及在 XXZ 模型和横场伊辛模型中实现超参数化的阈值大约按多项式尺度而非指数尺度增长。最后，演示了 HVA 的能力和有效性，将其用于求解具有长程相互作用和幂律纠缠缩放的 Haldane-Shastry 哈密顿量的基态近似。

Aug, 2020

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

使用神经网络量子态精确计算二维时空中 Z_N 格点规范理论的基态，并通过转移学习研究其拓扑相和限制相变。在 Z_2 和 Z_3 情况下，分别发现了连续相变和弱一级相变，并计算了临界指数和临界耦合，表明神经网络量子态在格点规范理论研究中有很大潜力。

May, 2024

神经网络量子态（NQSs）是通过结合传统方法和深度学习技术进行变分优化的一种新方法，用于找到量子多体基态，并逐渐成为传统变分方法的竞争对手。本文将量子多体变分波函数拆分为实值振幅神经网络和符号结构的乘积，专注于振幅网络的优化，同时保持符号结构固定。我们的方法在三个典型的量子多体系统上进行了测试，所得到的基态能量低于或与传统变分蒙特卡罗（VMC）方法和密度矩阵重整化群（DMRG）相当。令人惊讶的是，在受挫型海森堡 $J_1$-$J_2$ 模型中，我们的结果优于文献中复值卷积神经网络，这意味着复值 NQS 的符号结构很难被优化。我们将来将研究 NQS 的符号结构优化。

Aug, 2023

通过结合机器学习和量子 Monte Carlo 的见解，采用神经网络 Ansatz 状态的随机重构方法是量子多体问题高精度基态估计的一个有前途的新方向。虽然该方法在实践中表现良好，但对学习动态了解甚少。本文通过分析学习景观，揭示了算法的一些隐藏细节。

Oct, 2019