通过单位神经网络优化量子电路设计
本文研究了参数化量子电路的逐层学习策略，并表明此策略相对于标准学习方案更适用于执行于噪声中等量子设备上，可以在手写数字图像分类任务中实现更低的泛化误差，在比同等大小的量子电路训练更少的参数的情况下，达到更低的测试误差。
Jun, 2020
提出了 QuantumNAS，这是一个噪声自适应联合搜索变分电路和量子比特映射的全面框架，使用多层预定义参数化门构建SuperCircuit，并通过迭代参数子集的采样和更新进行训练，最终通过演化联合搜索刻画了SubCircuit的性能和其量子比特映射，最后通过迭代门修剪和微调去除冗余门，相较于基线方案，在12个用例上显著提高了性能，并达到了QML的精度水平。
Jul, 2021
通过设计用于贝叶斯优化的量子电路度量，我们提供了一种新的量子门距离，该距离表征了每个量子态下门的作用，并从理论上研究了其几何特性，从而显著提高了三个经验量子机器学习问题（包括训练量子生成敌对网络、解决MaxCut问题中的组合优化和模拟量子傅里叶变换） 的基准性能，同时我们的方法可以推广到各种量子机器学习模型上。
Jun, 2022
我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。
Nov, 2022
本文提出了一种新颖的元优化算法，通过对量子电路的参数进行元优化，从而最小化目标函数，避免了经典梯度优化的局限性，通过实验和理论论证，在不同数据集上，相比现有基于梯度的算法，该方法可以更快更稳定地达到更好的效果。
Apr, 2023
本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的(经典控制的)单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。
May, 2023
本文提出了一种名为QSeed的基于机器学习的种子综合算法，通过学习量子数据集，能够快速地提出实现单位矩阵的资源有效电路，并在64个量子位Shor因子分解算法的核心组件中，将合成时间加速了3.7倍。
Jun, 2023
基于参数化量子电路的量子机器学习模型，即量子神经网络(QNNs)，被认为是最有前景的应用于近期量子设备的候选方案之一。通过利用从输入x到作用于x⨂x(广义到复数输入)的经典感知器的精确映射，我们探究了QNNs的表达能力和归纳偏差。
Jul, 2024
本研究解决了量子状态准备（QSP）中的精确准备流程复杂且计算成本高的问题。作者提出利用预训练的神经网络直接生成任意量子态的QSP电路，从而大幅降低了在线迭代所需的时间。此方法为通用神经设计器的开发迈出了坚实的一步，可能在量子计算领域带来显著的影响。
Aug, 2024