本文提出了一种高效的方法 —— 使用极少量的量子态测量来构建量子系统的经典阴影，以预测量子态的各种性质，并支持其理论发现与大量数值实验。

Feb, 2020

该研究提出了一种有效的算法，它能够在 Pauli 噪声下从量子态中恢复信息，具有多项式时间复杂度和样本效率优势，并可作为 Clifford 电路的一个样本高效的错误缓解方案。

May, 2023

学习浅层量子电路的多项式时间经典算法，使用单比特测量数据和局部逆置的量子电路表示，可以高效地学习难以模拟的量子电路。

Jan, 2024

该论文研究了近期对未知量子电路的可学习性，证明了用于学习量子过程的量子统计查询的自然鲁棒性，并提供了一种有效的方式来评估各种统计噪声，为开发噪声容忍算法提供了强大的框架。我们对具有小的查询复杂度额外开销的常深度量子电路的学习算法进行了适应，并证明了通过统计查询在钻石距离内学习对数和更高深度的随机量子电路的平均情况下的下界。此外，我们展示了从量子统计查询中量子阈值搜索问题的困难性，并讨论了其对浅层量子电路可学习性的影响。最后，我们通过构造一个高效的区分器并证明量子无免费午餐定理的一个新变种，证明了伪随机幺正（PRU）不能使用常深度电路构造。

May, 2024

证明了一种经典阴影的联合测量协议其样本复杂度与状态秩成正比，并且在低秩情况下具有几乎二次优势。

May, 2024

我们研究了基于浅层电路的经典和量子监督学习模型之间的量子经典分离，并在有和无噪声的情况下进行了研究。我们构建了一个由无噪声的浅层量子电路定义的分类问题，并严格证明了任何有界连接性的经典神经网络需要对数深度才能以超指数小的概率正确输出。这种无条件下最接近最优的量子经典分离源自区分量子电路和它们的经典对应物之间的量子非局域性属性。我们进一步基于退极化噪声模型推导了体现这种分离的近期量子设备的噪声阈值。我们证明了如果噪声强度相对于系统大小的逆多项式被上界限制，则这种分离将持续存在，如果噪声强度大于逆对数多项式函数，则会消失。此外，对于具有恒定噪声强度的量子设备，我们证明了独立于指定学习模型的电路结构，任何由浅层克里福德电路定义的分类任务都不存在超多项式的经典 - 量子分离。

May, 2024

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

学习未知量子态的主特征态的经典描述，以便后续用于估计一类可观测量的期望值，我们提出了一个与主特征值相比例的协议，并证明在一些自然方法空间中是最优的，此外，当特征值接近于 1 时，我们的算法表现最佳，与纯态经典描述的样本复杂度相匹配。

May, 2024

我们提出了一个数据中心学习范式，结合了神经网络和经典阴影的优势，以便在训练阶段揭示潜在的 Quantum System Learning 问题的映射规则，并在推理阶段具有良好的预测能力。

Aug, 2023

基于量子信号处理的相位估计算法能够克服时间相关性错误和量子衰减等挑战，实现超导二比特实验中对不需要的交换角度的估计精度达到前所未有的标准差精度（10^-4 radians），是现有方法进步了两个数量级。

Jun, 2024