研究了量子 - 经典混合的架构需求和运行性能基准测试的框架，并针对最有前途的近期量子硬件应用，即变分混合算法，提出两个云平台级别的优化方法 —— 参数编译和主动量子比特重置；最后，展示了将这两个功能集成到 Rigetti Quantum Cloud Services 平台中会显著提高 VHA 算法运行时间的延迟。

Jan, 2020

这篇论文介绍了一种边缘 - 云计算连续体中量子计算的架构，探讨了如何利用移动 QPUs 和分布式异构资源来满足需要复杂应用程序的系统设计者的需求，提出了经典分层和量子电路切割的解决方案以证明经典计算和量子计算在连续体中利用的潜力。

May, 2023

该研究致力于量子深度学习方面的研究，引入了一种协同的经典 - 量子架构 co-TenQu，通过压缩和特征提取的张量网络和有限量子比特的逻辑电路，实现对高维数据的编码，同时使用量子态保真度评估函数实现两侧之间的反馈循环训练网络。相比现有方法，co-TenQu 在公平环境中提高了经典深度神经网络的性能达 41.72%，并且在使用更少量子比特的情况下，相比其他基于量子的方法提高了至多 1.9 倍并获得类似的准确度。

Feb, 2024

该论文提出，在量子计算机在 HPC 生态系统中扮演加速器的路线图中，为解决真实世界的问题，我们需要发展便携、架构无关的量子 - 经典混合框架，并为社区检测问题展示了基于量子退火和基于门的通用量子计算范式的一个应用。

Oct, 2018

本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

Nov, 2019

TensorFlow Quantum 是一个开源库，支持快速原型设计经典或量子数据的混合量子 - 经典模型，并提供高级抽象来设计和训练区分性和生成性量子模型。该库的功能包括超导量子分类和控制，噪声型和最优化截断模拟以及类似神经网络的混合量子 - 经典模型的层次学习和 Hilbert 空间的量子分类；旨在为量子计算和机器学习提供必要的工具，发现潜在的量子算法。

Mar, 2020

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

提出了一种基于变分混合量子 - 经典算法的量子编译方法 (QAQC)，使用可训练的可逆门 $V$ 和目标可逆门 $U$ 的重叠作为编译代价，通过量子计算进行评估，其编译成果可以用于量子算法深度压缩、黑盒编译、噪音缓解和基准测验。

Jul, 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

提出量子多程序编译器（QuMC）来同时在量子硬件上执行多个量子电路，通过并行管理器、qubit 划分算法、随机化基准协议和映射转换算法等技术，可以提高量子硬件的利用率，减少线路的总运行时间，避免线路间的 crosstalk 效应，从而缓解了 NISQ 设备的物理限制和噪声干扰的影响。

Feb, 2021