提出了 QuantumNAS，这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架，使用多层预定义参数化门构建 SuperCircuit，并通过迭代参数子集的采样和更新进行训练，最终通过演化联合搜索刻画了 SubCircuit 的性能和其量子比特映射，最后通过迭代门修剪和微调去除冗余门，相较于基线方案，在 12 个用例上显著提高了性能，并达到了 QML 的精度水平。

Jul, 2021

提出了 SnCQA 硬件高效的等变量子卷积电路，适用于存在置换对称性的机器学习问题和量子计算化学中，具有可扩展性和噪声鲁棒性，比传统量子变分电路拥有更高的性能表现。

Nov, 2022

在本文中，我们提出了一种新颖的量子位架构搜索（QWAS）方法，通过将搜索空间划分为好的和坏的子区域，逐步搜索每个阶段的单量子位配置，并结合蒙特卡洛树搜索算法，在某些真实任务（如 MNIST，Fashion 和 MOSI）中平衡电路性能和大小的探索和开发，达到了准确率和电路大小方面的最新结果。

Mar, 2024

本文提出了一种名为 QSeed 的基于机器学习的种子综合算法，通过学习量子数据集，能够快速地提出实现单位矩阵的资源有效电路，并在 64 个量子位 Shor 因子分解算法的核心组件中，将合成时间加速了 3.7 倍。

Jun, 2023

该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。

Jun, 2024

通过量子架构搜索来最大程度地提高 VQAs 的鲁棒性和可培训性，以在嘈杂的中间规模量子设备上实现数据分类和量子化学任务的优化。

Oct, 2020

该研究以引入一种基于课程的强化学习量子架构搜索算法（CRLQAS）为主要方法，旨在解决在真实的 VQA 部署中所面临的挑战。该算法通过使用三维架构编码和环境动力学的限制来高效地探索可能电路的搜索空间，引入一种剧集终止方案以寻找更短的电路，并应用一种新颖的同时扰动随机逼近作为更快收敛的优化器，从而在噪声和非噪声环境中提高了在多个度量标准下的性能。

Feb, 2024

使用强化学习自动化搜索最佳结构以提高变分量子算法在噪声干扰下的性能。

Feb, 2024

在嘈杂的中间尺度量子时代，基于变分量子算法（VQA）以提供量子优势而出现为一条有希望的途径。在本研究中，我们提出并数值上证明了一种新颖的 VQA 方法，利用随机量子电路生成变分波函数，并通过人工神经网络对这些随机电路的分布函数进行参数化优化以找到解决方案。这种随机电路的方法在变分波函数的表达能力和量子电路采样成本方面存在着一种权衡关系。在给定的门数量下，我们可以通过扩展量子计算时间来系统地增加表达能力。在足够大的时间成本允许下，变分波函数可以以任意精度近似任意量子态。此外，我们建立了变分量子本征求解器的表达能力、时间成本和门数量之间的明确关系。这些结果突出了随机电路方法在实现量子计算中高表达能力方面的潜在前景。

Dec, 2023

使用 ST-VQC 设计空间 - 时间深度学习量子电路，在 IBM 量子处理器上实现超过 30％的准确性提升，并在非线性合成数据集上比线性分类器提高 27.9％的性能。

Jul, 2023