本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。

Nov, 2019

证明了结构简单的 PQCs 在生成任务中具有比任何经典神经网络更好的表达能力，PQCs 在贝叶斯学习和半监督学习中的应用前景广阔。

Oct, 2018

本研究探讨了量子机器学习和变分量子电路的整合，以增强扩散式图像生成模型的效力，并通过 MNIST 数字，Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试，结果显示我们的模型在性能指标 FID、SSIM 和 PSNR 方面超越了传统模型。此外，我们还引入了一种一致性模型单一采样架构，将扩散过程合并为一步，实现了快速一步图像生成。

Jan, 2024

理解参数化量子电路在机器学习任务中的能力是量子机器学习中最重要的问题之一。本文通过函数逼近的角度分析了参数化量子电路的表达能力，并展示了在逼近连续和平滑函数方面数据重新上传参数化量子电路的明确构造，以及其在宽度、深度和可训练参数数量方面的定量逼近误差界限。此外，我们还将提出的参数化量子电路与近乎最优的深度神经网络进行了比较，在逼近高维平滑函数方面，表明参数化量子电路和深度神经网络之间的模型尺寸比在输入维度方面呈指数级减小，这为展示量子机器学习的量子优势提供了潜在的新途径。

Oct, 2023

本研究提出了一种基于经典 - 量子混合算法的量子机器学习算法，将低深度的量子电路与经典计算机混合使用，实现了优化参数的迭代优化，从而实现了学习任务的同时避免高深度量子电路，并通过理论分析和数字模拟确认了量子电路可以逼近非线性函数，为实现近期量子设备开展量子机器学习应用奠定了基础。

Mar, 2018

量子驱动扩散模型的量子泛化被提出，并讨论了可在实际量子系统上进行实验测试的三种量子噪声驱动的生成扩散模型。通过利用量子噪声作为生成更复杂的概率分布的重要成分，我们的结果有望为处理从气候预测到神经科学、交通流分析到金融预测等广泛的实际应用任务的新型量子驱动生成扩散算法铺平道路。

Aug, 2023

该文档提出了一种基于机器学习的通用框架，用于降低噪音对量子电路的影响，并利用该框架构建出对噪声具有鲁棒性的电路，从而实现量子计算机的噪音约束计算。

Jul, 2020

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

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

在这篇论文中，我们提出了 QuantumSEA 方法，通过动态探索电路的稀疏连接并在训练过程中保持少量的量子门，以实现训练时的电路容量，并在真实的量子设备上实现可行的执行；同时通过在真实设备噪声模型下联合优化量子电路的拓扑和参数，提高了噪声鲁棒性。在 7 个量子机器学习和变分量子特征解算器基准测试中进行了广泛实验，QuantumSEA 方法始终明显优于噪声感知搜索、人工设计和随机生成的量子电路基线，即使在最具挑战性的芯片训练模式下，我们的方法仅使用一半的量子门，节省了约两倍的电路执行时间。

Jan, 2024