本文介绍了一种名为变分量子态本征求解器 (VQSE) 的算法，用于在量子计算机上有效地计算出密度算子最大本征值及其对应的本征态。该算法利用了对角化和主支配之间的联系来定义代价函数，需单次迭代仅 单次复制密度算子，可以实现。作者还演示了两个该算法的用例：主成分分析和误差缓解。

Apr, 2020

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

提出了一种名为 ClusterVQE 的新算法，该算法利用量子互信息来将初始量子位空间分割为子空间（量子集群），这些集群进一步分布在单独的（更浅的）量子电路中，并且通过新的 “dressed” 哈密顿量考虑了不同集群之间的纠缠，从而实现了电子结构计算中 VQE 量子电路复杂度的降低。

Jun, 2021

本文介绍了一种恢复 VQE 算法中 Hamiltonian 对称性的算法方案，该方案应用投影算符来实现空间对称性的恢复，具有量子电路与非幺正投影算符的组合优势，能够在较浅的量子电路中实现显著的基态精度提升，并近似计算对称性限制下的激发态能量。

Dec, 2019

该研究探讨了混合量子 - 经典优化和学习策略，并提出了一种利用哈密顿在李代数或群论中的代数对称性进行梯度估计的框架，以及使用经典影子重建方法进一步减少测量次数的方法。

Apr, 2024

本文研究了变分量子算法中常用的参数化量子门结构，并基于此导出了新的通用单参数门参数移动规则，并通过与随机参数移位法的组合将这些规则扩展到多参数量子门。作者进行了量子资源需求的系统分析，并且表明高阶导数可以减少资源消耗。作者还使用量子近似优化算法的示例表明了通用参数移位规则在计算许多门输入参数的导数时可以显着减少电路评估次数；此外，我们还通过该方法重建并拓展了 Rotosolve 优化器以及扩展了量子解析下降优化算法。

Jul, 2021

本文提出了一种数码 VQE ansatz 的图解计划，不仅有大小可延展性而且无需 Trotterization 以克服常规的大小可延展性 ansatz 的限制，我们测试了这种方法在短自旋链中的表现。

Jul, 2019

本文介绍了一种利用同一或几乎相同的架构的方法来估计量子测量期望值的梯度，以优化杂化量子 - 经典算法的目标函数，尤其适用于量子化学、药物发现和机器学习等领域。

Nov, 2018

我们提出了一种广义的 VQE 算法，可以根据自由参数 α 在 O (1/ε^α) 的电路深度下利用量子相干性减少样本数到 O (1/ε^2 (1-α))，同时提供了一种新的有限量子资源下的期望值估计程序。

Feb, 2018

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