该研究提出了一种基于参数化量子神经网络的无监督学习方法，名为变分降噪，用于改善含有噪声的 Variational Quantum Eigensolver（VQE）模型的输出结果，在 H2 和 LiH 分子哈密顿量的能量估计和保真度方面比噪声输入数据具有更高的准确性和有效性，并且可以将变分降噪集成到量子硬件中，提高了量子硬件的多样性和端到端的量子处理能力。

Apr, 2023

提出了一种名为 ClusterVQE 的新算法，该算法利用量子互信息来将初始量子位空间分割为子空间（量子集群），这些集群进一步分布在单独的（更浅的）量子电路中，并且通过新的 “dressed” 哈密顿量考虑了不同集群之间的纠缠，从而实现了电子结构计算中 VQE 量子电路复杂度的降低。

Jun, 2021

本文介绍了一种新颖的变分算法 —— 进化变分量子本征求解器 (EVQE)，该算法使用进化编程技术来最小化给定哈密尔顿量的期望值，通过动态生成和优化量子电路 (ansatz) 来实现。EVQE 单元优化域内的问题，使用硬件高效电路 (ansatz) 进行准确的能量评估。EVQE 通过虚拟化生成的量子电路，与以 VQE 为代表的传统演化算法相比，CX 门的数量最多减少 $12 imes$，深度最多减少 $18.6 imes$，在存在噪声的情况下，表现出显著的噪声抵抗特性。该文同时还介绍了 EVQE 在 5 量子位计算机上的实验结果，证明了 EVQE 在当前和近未来的量子计算机上进行通用优化的有效性。

Oct, 2019

本论文提出了一种基于强化学习的算法，能够自主探索合适的变分预测模型，同时最小化电路的深度并增加结果的精度，在锂氢分子比较经典的量子计算基准问题上取得了化学精度和最先进的电路深度优化结果。

Mar, 2021

本研究提出了一种基于变分量子电路的量子算法，用于对数据进行聚类；该算法可以将数据分类为多个聚类，并且可以在少量量子比特的嘈杂中间量子计算设备上轻松实现。

Jun, 2022

本文介绍了一种名为变分量子态本征求解器 (VQSE) 的算法，用于在量子计算机上有效地计算出密度算子最大本征值及其对应的本征态。该算法利用了对角化和主支配之间的联系来定义代价函数，需单次迭代仅 单次复制密度算子，可以实现。作者还演示了两个该算法的用例：主成分分析和误差缓解。

Apr, 2020

我们提出了一种广义的 VQE 算法，可以根据自由参数 α 在 O (1/ε^α) 的电路深度下利用量子相干性减少样本数到 O (1/ε^2 (1-α))，同时提供了一种新的有限量子资源下的期望值估计程序。

Feb, 2018

本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

Jul, 2020

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

提出了一种利用贝叶斯优化来优化变分量子本征解算器（VQE）的新方法，包括推导出一个 VQE-kernel 来匹配 VQE 的目标函数的已知函数形式，通过减少后验不确定性来显著优化系统，以及提出了一种名为 EMICoRe 的新的贝叶斯优化获取函数，能够通过将低预测不确定性的区域间接视为 “已观察到” 的方式来主动利用 VQE-kernel 的归纳偏好，实验证明该方法相比于现有的基线方法具有改进效果。

Jun, 2024