通过正则化策略提高变分量子电路的可训练性
量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。
May, 2024
本文提出了一种名为 Pre+TTN-VQC 的学习方法，将一个预训练的张量列网络（TTN）集成到 TTN-VQC 架构中，以缓解 Barren Plateau 问题并提高量子神经网络的表示和概括能力，实验验证了该方法在手写数字分类中的有效性。
May, 2023
本文提出了一种端到端的量子神经网络 TTN-VQC，结合了张量列车网络和变分量子电路，进行降维和多功能回归，对其表示和概括能力进行了误差性能分析，证实了在手写数字分类数据集上进行功能回归的实验结果。
Jun, 2022
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
本文提出了一种使用经典神经网络来生成量子电路参数的方法，以缓解 Barren Plateaus 现象，该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响，还能够在 VQA 训练期间减轻该影响，并展示了该方法在不同 CNN 架构下的表现。
May, 2022
引入了一种等变结构的变分量子分类器，用于具有 $C_4$ 旋转标签对称性的图像分类，实验证明了等变的方法能够提升模型性能，最后还提出了一种经典等变卷积操作用于处理更大的图像。
Mar, 2024
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
使用 ST-VQC 设计空间 - 时间深度学习量子电路，在 IBM 量子处理器上实现超过 30％的准确性提升，并在非线性合成数据集上比线性分类器提高 27.9％的性能。
Jul, 2023
在量子机器学习中，设计和训练参数化量子电路（PQCs）是一个主要挑战。本论文提出了一种顺序哈密顿组装方法，用于处理全局损失函数的参数训练，并通过实验结果证明了该方法在图着色问题中的有效性，表现优于传统的参数训练和层次学习方法，为解决消失梯度问题提供了一种局部感知的学习技术。
Dec, 2023