使用可编程硅量子光子芯片，我们首次在光子学中实验性地演示了 QGAN 模型，并研究了噪声和缺陷对其性能的影响。我们的结果显示，即使在生成器的相移器的一半受损，或者生成器和鉴别器的所有相移器受到高达 0.04π 的相位噪声的条件下，QGAN 可以生成高质量的量子数据，保真度超过 90％。我们的工作为在 NISQ 时代的量子硬件上实施 QGAN 提供了可行性的线索。

Oct, 2023

提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

Apr, 2023

利用机器学习和优化技术，我们使用基于连续变量的量子神经网络作为电路结构，通过寻找量子电路来实现输入和输出状态之间的变换，以及合成单光子、Gottesman-Kitaev-Preskill 态、NOON 态、立方相位门、随机酉门、Cross-Kerr 相互作用等多种状态和门。

Jul, 2018

使用矩阵乘积状态（MPS）作为时间序列生成的生成模型的一种新方法，可以在量子计算机上生成 Heston 模型中的路径，并突出了它在路径依赖期权定价中的潜力。

Feb, 2024

本文提出了一种新的方法，使用伴随变量方法导出光子反向传播算法的光学模拟，并通过在设备内进行强度测量来准确获得这些梯度，从而大大提高了光学神经网络的训练效率。

May, 2018

本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。

Jul, 2020

本文提出了一种新的芯片上学习框架，可以快速、高效地优化光神经网络的性能，避免了传统方法的实施成本。该框架可有效解决资源约束下的无噪音优化问题，具有较好的优化稳定性与高效性，适合实际部署。

Dec, 2020

介绍了一种用于矩阵向量乘法和求和的集成光子学 TPU，通过利用波长分割复用、纳秒级延迟和基于相变材料的光学多态存储器，结合这些材料、功能和系统的物理协同作用，展示了这种 8 位光子 TPU 的性能比电子 TPU 高 2-3 个数量级，而占用的芯片面积类似，表明光子专用处理器在增强电子系统方面具有潜力，并且在即将到来的 5G 网络及其后面的网络边缘设备中表现特别出色。

Feb, 2020

用干涉仪可以非常精确地操控光子的量子态，因此光子系统成为了研究量子力学、推进量子信息科学和开发量子技术的旗舰系统之一。目前，集成平台、先进光源和探测器等的发展使光子量子计算成为中、大规模处理的有力竞争者，并具有潜在的量子网络应用。本文提供了该领域一些关键方面的关注点概况，重点是实验方法。

Jul, 2019

提出了一种用于改进生成对抗网络（GAN）的混合量子 - 经典架构（QC-GAN），通过与传统神经网络和量子变分电路的结合，实现了比经典 GAN 更好的性能，在迭代次数和训练参数方面也更加高效。该研究同时展示了将量子计算与机器学习相结合在量子 - 人工智能领域和人工智能 - 量子领域的价值。

Feb, 2024