通过使用基于量子核方法的量子算法，我们描述了如何识别获得量子优势的条件，以及将量子核作为特征提取层应用于卷积神经网络。

May, 2024

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

本文提出一种量子支持向量机分类器模型，实现有监督分类并取得了明显的量子加速，要求仅具备经典数据访问能力。在构造的数据集中，基于普遍认为的离散对数问题的困难性假设，该量子分类器实现的分类效果均优于无法逆多项式地超越瞎猜的经典学习器。这个模型可以通过一个容错的量子计算机来估算内积核函数，并且将数据映射为一个量子特征空间。此外，该分类器对由有限采样误差产生的内积核函数的加性误差具有一定的鲁棒性。

Oct, 2020

量子计算在机器学习任务中的潜力使得核计算和模型精度得到显著提高。通过使用一类支持向量机和量子核，相对于经典对照方法，先前研究观察到了显着的平均精度改进。然而，传统计算这些核的方法对于数据大小具有二次时间复杂度，这在实际应用中带来了挑战。为了缓解这个问题，我们探索了两种不同的方法：利用随机测量来评估量子核以及实施可变子采样集合方法，这两种方法都针对线性时间复杂度。实验结果表明，采用这些方法的训练和推断时间大大减少，分别达到了 95% 和 25%，同时随机测量的平均精度明显优于经典径向基函数核，为进一步研究可扩展、高效的量子计算在机器学习中的应用方向提供了有希望的线索。

Dec, 2023

本文探讨如何找到一些学习问题，量子学习算法可以在其中证明比经典学习算法快速得多，还具有物理意义的应用，例如，在凝聚态物理和高能物理中表现出来的数据。

Jun, 2023

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

证明了量子机器学习在加速监督学习任务方面具有计算优势，通过构建广泛的监督学习任务，并使用通用量子计算方法，证明了这一学习任务对于任何可能的多项式时间经典学习方法的难度，并提供了实验中展示这一学习任务的经典数据准备协议。

Dec, 2023

通过分析量子核心函数类的光谱特性，我们发现如果其再现核希尔伯特空间具有低维度且包含传统计算难度的函数，则存在量子优势；然而，合适的量子核心函数不易找到，而该偏置相对于经典模型在量子机器学习模型速度提升方面是必须的。

Jun, 2021

本篇论文提出了一种新型的量子感知器 QVPG，它结合了量子变分电路和格勃算法，在分类任务中能够比传统感知器更高效地工作，并证明它比 QVP 更具优越性。

May, 2023

本文介绍了一种基于量子系统时间演化的图形数据相似性测量程序，并探讨了其在传统方法中的应用。通过在系统哈密顿量中编码输入图形的拓扑结构，演化产生保留数据关键特征的测量样本。数值研究表明，与典型基准数据集上的标准图形核相比，该程序表现出色。最后，讨论了在真实的中性原子量子处理器上实现的可能性。

Jul, 2021