探索量子和混合量子 - 经典神经网络在电力流分析中的潜在应用。使用基于 IEEE 4-bus 和 33-bus 测试系统的两个小型数据集进行实验，并对量子、混合量子 - 经典和经典神经网络进行系统性能比较。结果表明，开发的混合量子 - 经典神经网络优于量子和经典神经网络，因此可以改善基于深度学习的电力流分析在噪声中等规模的量子 (NISQ) 时代。

Nov, 2023

通过混合量子神经网络，该研究提出了两种模型来预测太阳能电池板的功率输出，其中第一种模型表现最好，降低了超过 40% 的平均绝对误差和平均平方误差；第二种模型则在没有气象数据的情况下，以比传统模型低出 16% 的平均绝对误差预测光伏功率，展现出量子机器学习在可再生能源领域中的潜在用途。

Dec, 2023

现有的数字孪生都依赖于基于数据的黑盒模型，主要使用深度神经网络来捕捉化学系统的动态，然而，由于安全和操作问题，这些模型尚未在实践中得以应用，为了解决这个问题，将基于物理学原理的混合模型与机器学习模型相结合已经越来越受欢迎，具有较强的预测性能，因此，为批次结晶开发了一种基于时间序列变压器的混合框架，通过与传统黑盒模型相比，该框架展示了更好的准确性和可解释性，未来预计基于注意力机制的混合模型将在化学制造业的发展中发挥关键作用。

Jul, 2023

本论文研究了使用图神经网络方法对历史电力系统数据进行训练，以预测电量流计算结果。通过在测试系统上的结果表明，使用所提出的图神经网络电量流模型可以比传统的直流（DC）功量流方法和深度神经网络（DNN）模型以及卷积神经网络（CNN）模型得到更准确有效的数据处理方案。

Jul, 2023

本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

Apr, 2023

本研究探讨了利用量子机器学习改进洪水预测的潜力。我们针对 2023 年德国魏珀河的日常洪水事件，将传统机器学习技术与量子机器学习技术相结合，利用量子的叠加和纠缠等特性实现更高的准确性和效率。通过对比传统和量子机器学习模型的训练时间、准确性和可扩展性，结果表明量子机器学习模型在训练时间和预测准确性上具有竞争力。本研究是利用量子技术应对气候变化适应性的一步，我们强调合作和持续创新，将该模型应用于真实世界的洪水管理，最终增强全球抵御洪水的能力。

Jul, 2024

利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。

May, 2024

本研究提出一个混合量子经典图卷积网络 (QGCNN) 来处理高能物理数据中的稀疏数据，其在参数数量方面比经典多层感知器和卷积神经网络具有优势，并且在测试准确性方面与量子卷积神经网络相当。同时，研究表明探究图卷积操作和其他量子机器学习模型的应用可能有利于推动高能物理研究和其他科学领域。

Jan, 2021

该研究引入了一种名为 PPF-QSNN 的新型架构，通过将数据集信息同时输入脉冲神经网络和变分量子电路，并按照各自的贡献比例合并输出，系统评估了各种 PPF-QSNN 参数对图像分类网络性能的影响，旨在确定最佳配置。MNIST 数据集的数字结果明确表明，我们提出的 PPF-QSNN 在准确度、损失和稳健性等指标上优于现有的脉冲神经网络和串行量子神经网络，为 HQCNN 的发展和应用奠定了基础，推动了人工智能计算中量子优势的应用。

Apr, 2024

本文介绍了量子计算在智能电网问题中的应用，特别是 HHL 算法用于高效求解稀疏矩阵问题，并讨论了实现该算法所需的量子噪声、QRAM 实现和量子电路深度等问题。通过最新的硬件和软件算法的基准测试，以及使用基于变分量子电路的近期算法计算 6 个量子比特的截断版功率流。

Nov, 2022