本研究提出了一种名为 AltGraph 的搜索型电路转换方法，使用现有的生成图模型生成等效的量子电路。使用三个主要的图模型：DAG Variational Autoencoder (D-VAE)、Gated Recurrent Unit (GRU) 和 Graph Convolutional Network (GCN)，以及 Deep Generative Model for Graphs (DeepGMG)。AltGraph 比原始转换电路平均减少 37.55% 的门数量和 37.75% 的电路深度，且平均密度矩阵均方误差 (MSE) 仅为 0.0074。

Feb, 2024

使用 TorchQuantum Python 库中的图形变换模型，利用机器学习方法预测噪声对电路保真度的影响，可以在估计精度和速度方面胜过传统的电路模拟器。

Oct, 2022

我们提出了一种使用生成建模对量子纠错码进行译码的通用框架，该模型利用自回归神经网络，特别是 Transformer，学习逻辑运算符和综合症的联合概率。经过预训练后，该模型可以在给定综合症的情况下，使用最大似然译码高效计算逻辑运算符的可能性，并以计算复杂度为 O (2k)（k 为逻辑比特数）直接生成最可能的逻辑运算符，远优于需要 O (4^k) 计算的传统最大似然译码算法。我们进一步提出了一种基于经过预训练的模型的改进方法，通过直接采样稳定子运算符，更准确地确定给定综合症的逻辑运算符的可能性。我们对具有小码距的稳定子码进行了数值实验，使用了失真性误差模型和具有相关噪声的误差模型。结果显示，我们的方法在译码准确性方面比最小重量完美匹配和基于置信传播的算法提供了显着改进。我们的框架是通用的，可以应用于任何误差模型和具有不同拓扑结构的量子码，如面对码和量子 LDPC 码。此外，它利用了 GPU 的并行化能力，能够同时解码大量的综合症。我们的方法利用了生成式人工智能和现代计算能力对量子纠错码的高效准确解码提供了启示。

Jul, 2023

提出了一种名为 Computation Graph Transformer（CGT）的图形生成模型，它可以在保证隐私的前提下，生成大规模真实世界图的有效基准图，用于作为 Graph Neural Networks 模型的基准测试。

Jul, 2022

本研究提出了一种基于量子电路学习的算法，可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征，并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格（Greenberger-Horne-Zeilinger）状态的最佳制备方法，也可以有效地制备连续热态的近似表示，其波函数在其幅度中编码玻尔兹曼概率。最后，研究提供了一种新的硬件无关指标，称为 qBAS 得分，可用于衡量近期量子设备的性能。

Jan, 2018

提出了一种用于改进生成对抗网络（GAN）的混合量子 - 经典架构（QC-GAN），通过与传统神经网络和量子变分电路的结合，实现了比经典 GAN 更好的性能，在迭代次数和训练参数方面也更加高效。该研究同时展示了将量子计算与机器学习相结合在量子 - 人工智能领域和人工智能 - 量子领域的价值。

Feb, 2024

通过设计用于贝叶斯优化的量子电路度量，我们提供了一种新的量子门距离，该距离表征了每个量子态下门的作用，并从理论上研究了其几何特性，从而显著提高了三个经验量子机器学习问题（包括训练量子生成敌对网络、解决 MaxCut 问题中的组合优化和模拟量子傅里叶变换） 的基准性能，同时我们的方法可以推广到各种量子机器学习模型上。

Jun, 2022

这篇论文研究了使用基于数据的方法在陷阱离子量子计算机上训练量子电路，以实现一种高维普适量子电路的学习，为混合学习方案提供了进一步的发展和挑战。

Dec, 2018

通过量子电路出生机器实现深度量子电路的生成建模，并提出了一种基于梯度的学习算法来最小化核化的最大均值偏差损失函数，该算法可以在近期的量子设备上运行并在生成建模方面显现出量子优势。

Apr, 2018

本文介绍了一种基于 Circuit Transformer 模型的逻辑综合重写操作符，通过将现有技术和 Circuit Transformer 相结合，解决了规模可扩展性问题，并在 IWLS 2023 竞赛基准上证明了提出的重写方法的有效性。

Jun, 2024