随机森林预测的量子电路
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
本文研究发现使用具有分层结构的量子电路可以在量子态中完成经典数据的二分类，并且更加表达力的电路可以实现更高的准确性。在两个常规机器学习数据集和一个量子态数据集上比较了多个参数化的表现，并证明性能对于噪声具有鲁棒性，并将一个 Iris 数据集分类器部署到了 ibmqx4 量子计算机上。
Apr, 2018
QC-Forest 是一种经典 - 量子算法，用于在流式设置中高效地重新训练随机森林模型，实现多类分类和回归，其运行时间与累积样本总数的对数成倍数关系。
Jun, 2024
我们利用量子电路学习来模拟量子场论，通过使用紧凑的量子比特配置和低深度的量子电路来预测量子场论中的实时动态，从而准确地预测各种物理参数，包括全连接算符。通过在一个 1+1 维的量子电动力学模型中预测淬火动力学、手性动力学和喷注产生，我们发现我们的预测与严格的经典计算结果十分吻合，显示了利用现代量子设备高效模拟大规模量子场论的可行性。
Nov, 2023
我们介绍了一个可以通过监督学习表示带有标签的数据（经典或量子）并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成，作用于输入的量子态，可以进行二元分类。我们展示了如何对经典数据集进行分类，并使用实际数据集的例子展示了该网络的应用。
Feb, 2018
本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。
Mar, 2018
利用机器学习和优化技术，我们使用基于连续变量的量子神经网络作为电路结构，通过寻找量子电路来实现输入和输出状态之间的变换，以及合成单光子、Gottesman-Kitaev-Preskill 态、NOON 态、立方相位门、随机酉门、Cross-Kerr 相互作用等多种状态和门。
Jul, 2018
本论文提出了一种新颖的量子预处理过滤器（QPF），以提高神经网络模型的图像分类准确性。通过应用 QPF 方法，研究结果表明，在 MNIST 数据集和 EMNIST 数据集上，基于手写数字和字母的图像分类准确性分别从 92.5% 提高到 95.4% 和从 68.9% 提高到 75.9%。在机器学习过程中，这些改进是在没有引入额外模型参数或优化的情况下实现的。然而，对于包含 43 个不同类别真实交通标志图像的相对复杂的 GTSRB 数据集，测试结果显示分类准确性有所降低。考虑到这一结果，进一步研究量子电路适用于图像分类神经网络的理解和设计，可以利用本论文中提出的基准方法。
Aug, 2023
本研究使用 Adam 优化算法训练近期量子电路，模拟乱杂的非正交量子概率分布的未知非酉量子电路结构，成功实现量子数据的最优分类，是一种没有经典类别的量子机器学习任务的实例。
May, 2018