本文研究了在经典力学背景下，将 S 作为奖励函数，使用强化学习方法学习粒子在各种介质中传播的物理轨迹，通过在不同的折射率材料中传播的光线的情况来验证这个想法，并展示了智能体能够恢复等价于 Snell 定律或 Fermat 定律的最短时间路径。我们还讨论了强化学习与路径积分形式主义的相似性。
Nov, 2020
我们利用量子电路学习来模拟量子场论，通过使用紧凑的量子比特配置和低深度的量子电路来预测量子场论中的实时动态，从而准确地预测各种物理参数，包括全连接算符。通过在一个 1+1 维的量子电动力学模型中预测淬火动力学、手性动力学和喷注产生，我们发现我们的预测与严格的经典计算结果十分吻合，显示了利用现代量子设备高效模拟大规模量子场论的可行性。
Nov, 2023
本文研究量子行走，提出连续时间量子行走与任意图上的离散时间量子行走之间的精确对应关系，说明连续时间量子行走是离散时间量子行走的适当极限。此外，该对应关系为模拟哈密顿动力学提供了一种新的技术，并描述了几个应用。
Oct, 2008
本文提出了一种量子算法，在估算所有具有有界方差的任意随机或量子子程序的期望输出值方面实现了接近二次的加速，并且通过结合量子步行的使用，为计算分区函数的最快已知经典算法提供了量子加速，同时也能有效地估计概率分布之间的总变差距离。所提出的量子算法具有严格的性能边界。
Apr, 2015
本次调查论述了机器学习在物理系统建模中的发展趋势，重点介绍了图神经网络加速和基于粒子的方法的发展轨迹，并探讨了一些未被应用于现阶段机器学习方法的模拟方法，这些方法有可能使机器学习方法更准确，更高效。最后，论文展望了这些方法对于科学的机器学习模型提高效率的潜力。
Mar, 2023
本文讨论了非线性动态系统的线性二次控制问题，并将其转化为线性方程。通过使用路径积分方法，解决了传统反向计算的问题，并给出了路径积分方法的有效计算方法，如 MC 抽样、Laplace 逼近和变分逼近。通过例子来说明了随机和确定性控制的区别以及噪声的对称性破坏现象的发生。
May, 2005
我们从计算复杂性的角度对实验量子物理学进行了系统研究，定义了量子算法测量 (QUALMs) 框架，用于研究量子多体物理学中的两个重要实验问题，并显示在使用实验样品的相干性 (空间和时间) 时，相较于分别访问每个实验样本的标准情况，可以实现可证明的指数加速。因此，我们的研究表明，量子计算机可以提供一种新的指数优势：量子实验的资源消耗获得指数级的节省。
Jan, 2021
提出一种基于达尔文自然选择原理的计算模型，通过决策树和值函数树重建实体的轨迹，提供了一种通过机器学习学习观测历史数据、发现自然法则的算法模型。
通过简单的单量子比特旋转，优雅地提供了哈密顿模拟的一种最优算法，用以理解和设计许多量子算法，特别是物理系统的模拟。
Jun, 2016
本文探讨如何找到一些学习问题，量子学习算法可以在其中证明比经典学习算法快速得多，还具有物理意义的应用，例如，在凝聚态物理和高能物理中表现出来的数据。
Jun, 2023