经典和量子伊辛机的通用学习方案
本研究提出量子机器学习模型 ——Ising Born Machine（IBM）并使用斯坦偏差和 Sinkhorn 分歧两种方法进行训练，结果表明这两种方法优于最常使用的最大平均偏差（MMD）训练方法，同时 IBM 不可能被古典设备高效模拟。
Apr, 2019
论文综述了机器学习中生成建模技术在恢复实际、嘈杂和多量子比特量子态方面的发展，尤其是限制玻尔兹曼机器的理论，并演示了它在状态重建中的实际应用，从经典热力学分布的伊辛自旋开始，逐步移动到越来越复杂的纯态和混合量子态，通过对实验噪音中间规模量子设备的冷原子波函数重建的最近工作进行总结，最后讨论了未来在 NISQ 时代和以后使用机器学习进行状态重建的展望。
May, 2019
本文介绍了一种新的方法，使用平衡传播算法对 Ising 机器进行监督训练，获得与软件实现相当的结果。我们使用 D-Wave Ising 机器的量子退火程序在 MNIST 数据集上训练全连接神经网络，并且证明了该机器的连通性支持卷积操作，从而实现了每个神经元最小旋转的紧凑卷积网络的训练。这些发现将 Ising 机器作为一种有前途的可训练硬件平台，具有提高机器学习应用的潜力。
May, 2023
该研究提出了一种用于训练量化神经网络（QNN）的 Ising 学习算法，该算法通过二进制编码网络拓扑和损失函数的降阶，实现了在 Ising 机器上训练多层前馈神经网络。该算法的空间复杂度约为 O (H^2L + HLNlogH)，通过模拟 Ising 机器在 MNIST 数据集上验证了其有效性。
Nov, 2023
高性能计算的效率提升趋于尽头，传统的 CMOS 技术面临物理极限，Miniaturization 无法继续进行；以 Ising 模型为基础的计算系统能够接近热力学极限下的能耗，同时兼具逻辑和存储功能，潜在降低 CMOS 计算中昂贵的数据迁移造成的能源成本；本文的贡献是提出一种结合深度神经网络和随机森林的机器学习方法，用于高效解决 Ising 模型中最小化误差的优化问题，并提供一种将 Boltzmann 概率优化问题转化为监督式机器学习问题的过程。
Jan, 2024
本文提出一种基于平均值的自适应加权方法，用于解决多目标优化问题中的权衡问题，通过改进距离测量方法，实现多目标问题的 Pareto 前沿探索，并在对比实验中证明该方法在三个或四个目标的优化问题上的性能明显优于现有的方法。
May, 2023
这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据，并可以有效地分类一系列的量子相，在量子实验中可以通过构建经典影像来预测系统的多种属性。
Jun, 2021