本文针对 QSVM 模型的两种方法：量子核 SVM（QK-SVM）和量子变分 SVM（QV-SVM）进行研究，并提出了一种将二者优势相结合的新型模型：量子变分核 SVM（QVK-SVM）。实验结果表明，QVK-SVM 在准确性、损失和混淆矩阵指标方面均优于现有模型，具有很大的应用潜力，值得被推广应用于未来的量子机器学习研究。

May, 2023

提出了一种用于在近期量子计算机上解决线性系统的混合量子 - 经典算法 VQLS，通过计算 VQLS 成本函数 C 并保证其大于等于给定的精度 ϵ 的平方除以矩阵 A 的条件数 κ 的平方，实现了解决线性系统方程的目标。

Sep, 2019

本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一个乳腺癌数据集进行特征选择，将 QSVMF 与传统方法在选定特征上的性能进行对比。实验结果表明，QSVMF 取得了卓越的性能。此外，QSVMF 的帕累托前缘解能够分析准确性与特征集大小的权衡，识别出极度稀疏但准确的特征子集。我们从已知的乳腺癌生物标志物的角度解释了所选特征的生物学相关性。本研究强调了量子特征选择在提高机器学习效率和性能方面的潜力，尤其是在处理复杂的真实世界数据时。

Nov, 2023

本文旨在比较机器学习算法的有效性在经典和量子计算范式中。通过研究经典支持向量机和基于量子硬件的量子支持向量机在鸢尾花数据集上的分类能力，我们发现在特定场景下，量子支持向量机可以与经典支持向量机相媲美的准确率，尽管目前的执行时间较长。此外，我们强调增加量子计算能力和并行规模可以显著提高量子机器学习算法的性能。这项研究为我们提供了关于机器学习在量子计算时代的现状和未来潜力的宝贵见解。

Oct, 2023

我们引入了一种革新性的量子增强支持向量机（QSVM）方法，利用量子计算和 GPU 加速来进行恒星分类，QSVM 算法在处理复杂的二元和多类别情况下显著优于传统方法，尤其是在哈佛恒星分类系统中。量子原理的整合显著提高了分类准确性，而使用 cuQuantum SDK 进行 GPU 加速确保了量子模拟器中大数据集的计算效率和可扩展性。这种协同作用不仅加快了处理过程，还提高了分类不同恒星类型的准确性，为天体物理学和相关科学领域的研究提供了量子机器学习的变革潜力，为恒星分类的精度和处理速度跃升到一个新的水平。这一进展对天体物理学和相关科学领域具有广泛的影响。

Nov, 2023

我们引入了四种用于训练神经支持向量机的算法，并证明了它们的可行性。在本文章中，我们引入了神经量子支持向量机，即使用量子核的 NSVM，并将我们的结果扩展到该设置中。

Aug, 2023

本研究提出了一种基于变分量子电路的量子算法，用于对数据进行聚类；该算法可以将数据分类为多个聚类，并且可以在少量量子比特的嘈杂中间量子计算设备上轻松实现。

Jun, 2022

本文提出了一个新的混合量子 - 经典框架用于监督性量子学习，叫做 Variational Shadow Quantum Learning（VSQL），该方法利用了量子数据的经典阴影，通过变分阴影量子电路以卷积方式提取经典特征，并利用全连接神经网络完成分类任务，避免了量子机器学习中重要的梯度消失问题 - Barren Plateau issues，通过对量子态的分类和手写数字识别的数值实验证明了本方法的高效性和出色的性能。

Dec, 2020

本研究中，我们提出了两种量子算法用于机器学习问题的处理，即量子变分分类器和量子核估计器，并在超导处理器上实现了这两种算法，为探索噪声中等规模量子计算机在机器学习中的应用提供了新的工具。

Apr, 2018

该研究表明，通过矩阵乘法技术实现支持向量机，并在量子计算机上实现，可获得当经典取样算法需要多项式时间时的指数加速，以及内积（核）矩阵的矩阵求逆的非稀疏矩阵数乘法，从而在监督式机器学习中实现新数据分类。

Jul, 2013