- 量子策略梯度训练问题
研究了参数化量子电路为基础的强化学习策略的可训练性，发现拥有指数小梯度和梯度爆炸的标准荒原问题，以及这些现象与基态分区和分区映射相关，采用连续型分区的基态可以确保多项式数量的训练窗口和测量次数，该研究在多臂赌博机环境中进行了实证验证。
- 基于多能级量子位的贫瘠高地
通过细致的分析，本研究揭示了多维量子比特的维度与贫瘠平台之间的直接关联，并通过数值结果展示了多维量子比特对贫瘠平台的影响，同时对基于多维量子比特的 VQA 的误差缓解技术的功效提出了进一步的审视。
- 通过正则化策略提高变分量子电路的可训练性
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。
- 旋转不变的变分量子电路图像分类
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。
- 量子生成模型中的可训练性障碍与机遇
本文研究了量子生成模型中如何解决靠近平原以及指数损失集中的挑战，提出了解决这个问题的新方法 Quantum fidelity-type loss，并且通过对高能物理数据建模表明了本研究理论结果的正确性。
- 通过坐标变换改进梯度方法：应用于量子机器学习
本文介绍了一种基于坐标变换的策略，以加速和改善机器学习优化算法的性能，有效减缓贫瘠高原和局部极小值对算法性能的影响，并在量子机器学习算法的基础上进行了验证和 benchmark，获得了显著的性能提升。
- 利用经典深度神经网络克服荒原高原问题
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 - 超越贫瘠高原：量子变分算法被陷阱所淹没
通过研究局部极小值和 Barren 高原现象，证明在全局最小能量附近未知最优参数的情况下，一类浅而无 barren 高原的变分量子模型具有很少的局部极小值，以至于在没有好的初值参数的情况下无法进行训练。此外，通过统计查询框架研究变分量子算法 - 用量子优化控制工具诊断贫瘠高原
本文研究了通过量子优化控制诊断基于问题的变分量子算法的荒原高原现象，证明了微调度系的可控性对 VQA 的梯度缩放具有影响，并建立了荒原高原与 Lie 代数维度缩放之间的联系。
- 量子卷积神经网络中不存在贫瘠高原
本文描述了基于量子卷积神经网络的梯度值，分析了 QCNNs 的梯度缩放，发现 QCNNs 不会产生荒原平原。我们介绍了一种基于图形的方法，分析哈尔分布的酉矩阵的期望值，最后通过数值模拟验证了我们的分析结果。
- 量子神经网络的逐层学习
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。
- 解决参数化量子电路中贫瘠高原问题的初始化策略
文章提出了一种随机参数初始化生成浅层块的量子电路初始化策略，以应对梯度消失问题，实现了基于梯度的训练方法，解决了过去针对基本问题不能使用最紧凑的量子电路的问题。