这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。
Oct, 2023
我们提出旋转网络的使用，它是一种在群变换下保持不变的有向张量网络，用于设计具有自旋旋转对称性的参数化等变量量子电路。我们证明了该构建与其他已知构建的数学等价性，并且在量子硬件上更直接实现。我们通过求解一维三角晶格和 Kagome 晶格上具有 SU (2) 对称性的海森堡模型的基态问题来测试我们构建的电路的有效性，并且结果表明我们的等变电路提升了量子变分算法的性能，暗示了对其他实际问题的更广泛适用性。
Sep, 2023
本研究探讨了如何利用问题的对称性构建量子学习模型，并提出了一种通过门对称化将标准门集转换为等变门集的方法，在具有对称性结构的变分问题中得到了应用。
May, 2022
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
本研究提出了一种创新的方法，利用进化增强的无参数化电路进行监督学习模型，该模型采用可变拓扑的电路经由精英方法演化，从而减轻了贫瘠高原问题，并引入了多热编码的叠加概念，方便多分类问题的处理。通过与当前技术最先进的变分量子分类器进行比较分析，我们的框架在训练效率和精确度方面得到了显著的提升。此外，我们对传统上常常困扰传统核心机器的具有挑战性的数据集类进行了测试，展示了在 NISQ 时代实现量子优势的潜在替代路径。
Nov, 2023
本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。
Apr, 2018
在嘈杂中等规模量子（NISQ）时代，本研究提出一种使用先验知识和高斯噪声扩散来规范化模型参数的策略，以提高量子变分电路的可训练性并解决梯度问题。实验证明这种方法对超越经典模型的四个公共数据集的可训练性具有改进作用。
May, 2024
使用变分量子算法构建的图像分类框架在消除全局汇聚操作的需求的基础上，通过有效地捕捉图像中更有区分度的特征和细节，提高了分类性能，并且相比于经典框架具有更少的参数，更有效地防止过拟合。
Dec, 2023
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
本文研究了变分量子电路在深度强化学习中的应用，利用量子信息编码方案减少模型参数，用经验回放和目标网络重塑经典深度强化学习算法，成功证明了变分量子电路可以用于决策制定和政策选择强化学习，适用于许多即将到来的近期量子计算机。
Jun, 2019