利用量子力学的独特性质，量子机器学习（QML）在传统系统到达极限时承诺实现计算突破和丰富视角。然而，类似于经典机器学习，QML 也无法免受敌对攻击。量子敌对机器学习在凸显面对敌对性特征向量时的 QML 模型的弱点方面发挥了重要作用。在深入研究这个领域的同时，我们的探索揭示了去极化噪声与对抗鲁棒性之间的相互作用。虽然以前的结果通过去极化噪声增强了抗敌对威胁的鲁棒性，但我们的发现描绘了不同的情况。有趣的是，在多类别分类场景中添加去极化噪声取消了进一步提供鲁棒性的效果。验证我们的发现，我们进行了实验，对基于门的量子模拟器进行了敌对训练的多类别分类器进一步阐明了这种意外行为。

Nov, 2023

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

通过构建一类本质上为 ε- 差分隐私的噪声通道，我们成功地复制了退极化和随机旋转通道的 ε- 差分隐私边界，从而验证了我们框架的广阔普遍性。我们还使用半定规划构建了一个最优鲁棒通道，在小规模实验评估中证明了使用最优噪声通道相对于退极化噪声的好处，特别是在提高对抗精度方面。此外，我们评估了变量 α 和 γ 对可认证的鲁棒性的影响，并研究了不同编码方法对分类器鲁棒性的影响。

Apr, 2024

利用量子计算中的自然噪声保护量子机器学习模型的数据隐私，在不同次数运行量子电路可以实现目标隐私保护水平。

Dec, 2023

本文探讨如何纠正嘈杂中间尺度量子计算机的传输误差，并研究了一种名为迭代贝叶斯展开的方法，在量子信息科学和高能物理领域之间建立桥梁，并为未来的研究提供参考。

Oct, 2019

本文研究了中性原子 NISQ 设备上的噪声、利用机器学习技术对这些噪声参数进行特征化和修正、以及采用强化学习框架设计脉冲以纠正测量误差。

Jun, 2023

论文综述了机器学习中生成建模技术在恢复实际、嘈杂和多量子比特量子态方面的发展，尤其是限制玻尔兹曼机器的理论，并演示了它在状态重建中的实际应用，从经典热力学分布的伊辛自旋开始，逐步移动到越来越复杂的纯态和混合量子态，通过对实验噪音中间规模量子设备的冷原子波函数重建的最近工作进行总结，最后讨论了未来在 NISQ 时代和以后使用机器学习进行状态重建的展望。

May, 2019

本研究在噪声中间规模量子（NISQ）设备上探索了使用量子自然语言处理算法进行语言翻译的可行性。我们采用香农熵来展示旋转门的适当角度在参数化量子电路性能中的重要作用，并利用这些角度（参数）作为不同语言的量子电路之间的通信方式，最终通过经典神经网络的编码器 - 解码器模型和长短期记忆（LSTM）的翻译任务实现了量子神经机器翻译，该翻译方法相对于经典方法具有潜在优势。在 160 个样本的实验中，我们使用了三种优化器训练模型，并通过使用 Adam 优化器训练具有两个 LSTM 层的最佳模型获得了最佳结果，其平均绝对误差为 0.03，均方误差为 0.002，损失为 0.016。我们的研究结果表明，尽管使用简单的同义句进行训练，但 Shannon 熵在处理复杂句子结构的更复杂机器翻译模型中具有一定的实用性。

Jul, 2023

基于等变量量子神经网络（EQNN）的几何量子机器学习是量子机器学习中的一个有前景的方向，本文研究了 EQNN 模型在噪声存在下的行为，通过数值模拟和高达 64 比特的硬件实验支持实验的结果，并提出了在噪声存在时增强 EQNN 模型对称性保护的策略。

Jan, 2024

本文提出了一种新颖的、可扩展的误差缓解方法，旨在实现在存在硬件噪声的情况下准确估计量子观测值，该方法基于 Clifford 门，通过产生训练数据和使用线性 ansatz，使得可以预测任意电路的无噪声的观测值，运行在 16 个 qubit 的 IBMQ 量子计算机和 64 个 qubit 的噪声模拟器上，使用该方法可以将能量估计误差降至数量级。

May, 2020