本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

Apr, 2023

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

引入了一种等变结构的变分量子分类器，用于具有 $C_4$ 旋转标签对称性的图像分类，实验证明了等变的方法能够提升模型性能，最后还提出了一种经典等变卷积操作用于处理更大的图像。

Mar, 2024

本文提出了一种使用经典神经网络来生成量子电路参数的方法，以缓解 Barren Plateaus 现象，该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响，还能够在 VQA 训练期间减轻该影响，并展示了该方法在不同 CNN 架构下的表现。

May, 2022

利用量子迁移学习 (QTL) 和量子退火 (QA) 的混合量子经典方法，通过将量子玻尔兹曼机引入混合量子经典管道，实现了对大规模医学图像的监督学习，取得了比传统迁移学习更好的分类性能。

Nov, 2023

本文探讨使用量子分类器对二进制属性进行模式分类，特别是对图像数据集的分类表现良好，对医学领域来说是具有很大潜力的。

Nov, 2020

本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

Apr, 2018

本文介绍了一种用于解决离散和连续状态空间的 RL 任务的训练方法，该方法基于深度 Q-learning 算法。研究通过消融研究探究了量子 Q-learning 算法的体系结构选择对于成功解决某些环境的重要性，并提出了用于选择适当的观测量的方法，以比较量子和经典 DQN 算法的性能.

Mar, 2021

本文提出了一个名为 MAQA 的通用，高效框架，可以重现利用量子计算优势解决典型监督学习问题的各种经典监督机器学习算法的输出，并允许生成大量的不同模型转换。MAQA 可作为所有聚合多个函数模型（如集成算法和神经网络）的量子对应物，并且可以作为混合量子 - 经典和容错量子算法的采用。

Mar, 2023

This paper explores quantum architecture search for parameterized quantum circuits in the context of Variational Quantum Algorithms and demonstrates that using a neural predictor as the evaluation policy can improve results while using fewer circuit evaluations.

Mar, 2021