近期人工智能算法的突破强调了真正释放人工智能潜力所需的新型计算硬件的需求。本文介绍了第一个连续变量热力学计算机，称为随机处理单元 (SPU)，它由 RLC 电路组成，在一个印刷电路板上，有 8 个单元，通过开关电容进行全对全耦合。我们展示了 SPU 在高斯采样、矩阵求逆等方面的应用，以及在神经网络分类的不确定性量化中的适用性，我们预计当该硬件规模扩大时，将对加速各种概率性人工智能应用产生重大影响。

Dec, 2023

提出了一个称为热力学 AI 的数学框架，它将许多物理启发的人工智能算法统一起来，并将其与热力学系统中的随机波动相结合，以实现利用波动作为一种计算资源的计算范式，从而加速这些算法。该框架使用了新型的构建基块，即随机位（s-bits）和随机模（s-modes），并提供了一些简单的物理体系结构来构建这些设备。

Feb, 2023

提出了一种新的量子计算方法，称为软量子计算，利用真实的量子系统和自然环境引起的相干和耗散来开展非经典计算。作为软量子计算的一个具体示例，我们建议使用 “受控 Kraus 操作” 通过成对连接神经元，希望为量子人工智能甚至更好地理解人脑的某些功能开辟一条更容易和更现实的道路。我们的量子神经元模型尽可能地模仿现实神经元，并同时使用量子定律来处理信息。噪声神经网络的量子特性是通过量子不和谐性和非压缩性来发现的。我们相信，我们的模型将量子计算置于更广泛的背景下，并激发了早期发展软量子计算机的希望。

Oct, 2018

通过学习物理系统中热力学量的 Boltzmann 机器，通过自发的学习机器，我们训练了 Boltzmann 机器， 并通过其生成的自旋状态检验热力学可观测量与直接 MC 采样的差距，证明了 Boltzmann 机器能够忠实地再现物理系统的可观测量，并观察到随着系统接近临界状态需要更多的神经元以获得准确的结果。

Jun, 2016

我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

Nov, 2022

本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。

May, 2023

利用 Grover 和 Deutsch-Josza 两个基础量子算法，研究如何通过输出测量来推断在一定时间内，简单的神经网络（适用于生物和人工网络）是否会继续支持动态活动，或者其动态是否会停止。

Mar, 2024

开发了一种热力学理论用于机器学习系统，与物理热力学系统相似的是，机器学习系统也具有能量和熵的特征。我们引入了温度的概念，并建立了一个基本的热力学框架来处理具有非 Boltzmann 分布的机器学习系统。我们将机器学习系统看作具有不同状态的系统，并将模型训练和更新解释为状态相变的过程。我们将机器学习系统的初始潜在能量描述为模型的损失函数，并遵循最小潜在能量原则。我们推导了系统在相变过程中的温度，突出温度作为系统数据分布和机器学习训练复杂性的重要指标。此外，我们将深度神经网络视为具有全局温度和每层局部温度的复杂热能引擎，并介绍了神经网络的工作效率概念，主要取决于神经激活函数。然后，我们根据工作效率对神经网络进行分类，并将神经网络描述为两种类型的热能引擎。

Apr, 2024

基于 Port-Hamiltonian 形式主义，我们开发了适用于复杂物理系统的机器学习归纳偏差，以构造满足热力学原则（能量守恒，非负熵产生）的学习物理。

Nov, 2022

本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

Mar, 2018