分析经典、随机和量子方法的表现，研究在长短期记忆模型中利用量子变分算法启发的随机方法，以取得量子机器学习在经典机器上的一些好处。

May, 2023

本综述调查了在量子硬件上实现的监督学习和无监督学习应用，并探讨了其局限性及如何克服这些局限性。在此基础上，评估了这些 QML 实现与它们的经典对应物的性能表现，并讨论了应用 QML 在实际量子设备上存在的瓶颈和潜在解决方案。

Jul, 2023

量子启发式机器学习（QiML）是一个新兴的领域，受到全球研究人员的关注，因为它有潜力在经典计算框架中利用量子力学原理。本文通过对QiML进行综合和全面的调查，探索了QiML的多个研究领域，包括张量网络模拟、去量化算法等，展示了最新进展、实际应用，并揭示了潜在的未来研究方向。同时，通过分析对QiML的不同解释及其固有的模糊性，确立了QiML的具体定义。在量子力学、量子计算和经典机器学习的基础上，QiML将不断发展，并丰富该领域的未来。本调查为研究人员和从业人员提供指南，帮助他们全面了解QiML的现状和未来发展方向。

Aug, 2023

本文描述了选择方法和分析现有的AutoML框架, 以了解它们将量子机器学习算法纳入自动化求解方法的能力以及通过基准测试解决一组不同机器学习问题类型的工业用例的最重要特征。在此基础上，我们选择了Ray和AutoGluon作为适用的低级和高级框架，它们满足所有要求并在用例研究中得到了最好的评价反馈。基于这些结果，我们构建了一个扩展的自动量子机器学习（AutoQML）框架，其中包含了硬件和软件约束的QC特定的流程步骤和决策特征。

Oct, 2023

利用量子计算和量子机器学习算法在数据处理方面取得了指数级的提速、资源需求的减少以及准确度和效率的提高，本文对量子计算、机器学习和量子机器学习算法进行了探讨，并提供了一个简化的步骤，可以帮助读者建立量子机器学习算法的模拟。此外，通过在数据集上利用机器学习和量子机器学习方法进行模拟，利用量子模拟器对它们的性能进行了比较。

Nov, 2023

通过比较不同配置，我们对量子机器学习模型的性能进行了研究，提供了性能数据和超参数选择的具体建议。

Mar, 2024

量子机器学习是量子计算的一个有潜力的早期使用案例，该文章旨在向那些已经具备量子计算基础知识并希望了解经典机器学习术语和应用的读者提供一个基本概览，其包括从理论研究到数值模拟再到概念验证等多个方面的进展。

Apr, 2024

本研究针对量子计算在现实应用中的性能与安全问题进行了探讨，填补了量子机器学习与经典机器学习比较的研究空白。通过对阿尔茨海默病数据集的案例分析，我们发现量子机器学习算法在性能上有潜力，但尚未超越经典算法，并且在运行模拟时对资源的需求较高。此外，量子机器学习也继承了经典算法的脆弱性，并引入了新的攻击路径。

Aug, 2024

本研究解决了量子机器学习模型实现过程中模型架构选择的挑战。我们提出了AQMLator，一个自动量子机器学习平台，旨在通过最小的用户输入自动建议和训练量子层，使数据科学家能够更容易地使用量子计算。该平台使用标准机器学习库，便于集成到现有的机器学习流程中。

Sep, 2024

本研究解决了量子机器学习（QML）领域中传统机器学习与量子计算结合的挑战。通过提出在噪声中等规模量子（NISQ）设备上使用变分量子电路（VQC）开发QML架构的新方法，本文展示了QML的潜在工业影响和未来研究方向。主要发现表明，QML的独特能力能够推动机器学习的发展，并为量子计算研究提供新视角。

Nov, 2024