本研究提出了一种基于量子退火的新型无监督图像分割方法 Q-Seg，该方法针对现有量子硬件进行了优化，并通过将图像的光谱和空间信息与图剪切优化问题相结合的方式来解决像素级分割问题。经过合成数据集的实证评估，Q-Seg 在运行时间性能方面优于经典优化器 Gurobi。此外，我们还对地球观测图像的分割进行了评估，Q-Seg 在洪灾映射检测方面表现出几乎最优的结果，并提供了比现有注释掩模更好的森林覆盖分割。因此，Q-Seg 是一种适用于现有量子硬件的可行选择，特别适用于缺乏标记数据和计算时间的关键情景中。

Nov, 2023

近年来，变分量子算法（VQAs）作为在 NISQ 时代解决量子计算机上的优化问题的一种有前途的方法已经出现。然而，VQAs 的一个限制是它们对于特定问题或硬件配置可能不适合的固定结构电路。应对这个问题的一种主要策略是自适应 VQAs，通过添加和移除门来动态修改电路结构，并在训练过程中优化其参数。本文通过分析三种自适应 VQAs（进化变分量子特征求解器（EVQE），可变组态（VAns）和随机自适应 VQE（RA-VQE））来填补这一领域现有方法之间缺乏系统比较的空白。为了将这些算法与传统的 VQA 进行比较，我们还在分析中包括了量子近似优化算法（QAOA）。我们将这些算法应用于 QUBO 问题，并通过检查找到的解的质量和所需的计算时间来研究它们的性能。此外，我们还调查了超参数选择如何影响算法的整体性能，强调了选择适当的超参数调整方法的重要性。我们的分析为面向近期量子设备设计的自适应 VQAs 设定了基准，并为指导未来的研究提供了宝贵的见解。

Aug, 2023

我们构建了一个量子回归算法并确定了变分参数与学习回归系数之间的直接关系，利用直接将数据编码到反映经典数据表结构的量子振幅的电路。该算法适用于连接良好的量子比特，具有对数级时间复杂度优势，并提供了与传统一热编码技术相比所需的物理比特数量显著减少的压缩二进制编码方法，同时还能进行非线性回归。通过在实践中从量子回归模型学习中进行重要特征选择的集成模型训练，我们能够减小硬件噪音的影响。

Jul, 2023

通过量子架构搜索来最大程度地提高 VQAs 的鲁棒性和可培训性，以在嘈杂的中间规模量子设备上实现数据分类和量子化学任务的优化。

Oct, 2020

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

本文提出了两种基于机器学习的方法，采用强化学习 (RL) 框架和核密度估计 (KDE) 技术，分别用于优化 QAOA 电路，从小规模问题实例中学习，然后在较大的问题实例中使用，结果表明与其他现成的优化器相比，这两种方法可以将优化度缺口减少多达 30.15 个因子。

Nov, 2019

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

本文介绍了一种名为 MoG-VQE 的算法，该算法利用多目标帕累托优化，采用基因改进的策略，对电路拓扑进行优化，并采用协方差矩阵适应进化策略优化单量子比特旋转角度，目的是在低深度和高精度之间找到最优解。在多种分子的测试中，可以观察到与标准算法相比，两比特门数量减少近十倍。

Jul, 2020

本篇论文介绍了一种基于 F-VQE 算法和因果锥的方法，可在量子计算机上更高效地解决组合优化问题，实验结果表明该方法比原始的 VQE 算法和量子近似优化算法（QAOA）更加优秀。

Jun, 2021

在本文中，我们提出了一种新颖的量子位架构搜索（QWAS）方法，通过将搜索空间划分为好的和坏的子区域，逐步搜索每个阶段的单量子位配置，并结合蒙特卡洛树搜索算法，在某些真实任务（如 MNIST，Fashion 和 MOSI）中平衡电路性能和大小的探索和开发，达到了准确率和电路大小方面的最新结果。

Mar, 2024