- 机器学习优化量子电路合成
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。
- ICML针对聚类问题的近优量子核心集构建算法
该研究在量子计算的框架下，提出了一种在时空复杂度上具有优势的 k - 聚类问题的量子算法，并在算法的基础上得到了一个核心集。
- 量子机器学习优化资金预测
利用量子算法的机器学习方法可以用于提高金融预测的准确性，包括使用 DPP 提高 Ramdon Forest 模型的精度和设计量子神经网络架构降低经典性能所需的参数数量实现信用风险评估。
- 量子机器学习用于恶意软件分类
研究在恶意软件检测方面，通过使用量子算法相比于传统的机器学习算法，对于区分恶意和良性的可执行文件的分类任务所带来的好处，且发现最有趣的未来方向。
- 基于量子机器学习的增材制造试样表面粗糙度预测方法
本研究比较了三种量子算法，即 QNN，Q-Forest 和 VQC，首次用于预测添加制造的样本表面粗糙度。研究发现，Q-Forest 算法在预测精度上表现最好。
- 量子奇异值变换及量子机器学习算法的强鲁棒性去量化
本文介绍了量子算法、去量子化结果、近似的平方长度取样、随机化线性代数和量子机器学习等领域的研究，并详细分析了量子算法如何应对小扰动。同时，我们提出了许多来自随机线性代数的技巧，以适用于此次弱假设的情况。
- 量子最优控制的高效量子算法
本论文提出了一种高效的量子算法，可用于解决量子最优控制问题，并附有详尽的误差分析，该方法基于时间依赖哈密顿模拟和梯度估算算法，并牵涉到了机器学习。但该算法需要容错量子计算机的支持。
- 设计契约框架的量子软件
提出了针对量子软件的设计合同框架，使用 python 嵌入式语言编写有关某些程序构建的所有量子电路输入和输出状态的断言，并提供了一种方法来写统计处理断言，以确保获取最终结果的程序的正确性。通过量子计算机模拟器自动检查这些断言，评估结果表明， - 量子厚尾赌博机
本文研究了具有重尾分布的奖励和量子奖励谷歌的多臂黑客（MAB）和随机线性黑客（SLB）。
- QuEst: 量子电路可靠性估计的图形变换器
使用 TorchQuantum Python 库中的图形变换模型，利用机器学习方法预测噪声对电路保真度的影响，可以在估计精度和速度方面胜过传统的电路模拟器。
- MM使用量子设备算法计算图编辑距离
本文介绍了 QUBO 形式的 Graph Edit Distance (GED) 问题，它允许我们在量子芯片上实现两种不同的方法，即量子退火和变分量子算法，为机器学习和模式识别提供一种新颖的解决方案。
- 使用比特翻转平均值对量子比特读取误差进行缓解
提出了一种更有效地减轻量子硬件上比特读取误差的方法，并展示了在读出 n 个比特时，仅需进行原来方法 2 的 n 次方的校准测量，即可建立一般错误模型。
- 量子算法的大统一
该论文介绍了一种新型的技术 —— 量子奇异值变换 (QSVT), 通过该技术匹配了多种量子算法，包括搜索、相位估计和哈密顿模拟，并展示了计算特征值阈值问题和矩阵求逆等算法，从而表明 QSVT 是一个包含三种主要量子算法的单一框架，并提出了量 - 噪声中等规模量子算法
该研究总结了嘈杂中间规模量子计算的范例和算法，探讨了其限制与优势，并提供了各种编程和测试工具的全面概述。
- 数学金融中随机微分方程的量子加速多级蒙特卡罗方法
本文研究了随机微分方程的量子算法，提出了可用于计算在金融数学中的实际应用，并展示了其在 Black-Scholes 和 Local Volatility 模型等各种应用中的作用。
- 量子优化的热启动
本文介绍了如何通过松弛问题来启动量子优化，并研究其性质，以实现与经典算法相当的性能保证。在组合优化问题中，这种启动方式特别有益，可以加速 QAOA 的求解。
- 线性代数的变分算法
本文提出一种基于变分算法的线性代数任务解法，适用于嘈杂的中尺度量子设备，并可应用于稀疏矩阵、机器学习和优化问题。通过数值模拟和 IBM 量子云设备验证，算法成功解决了线性方程组问题，解决的精度高达 99.95%。
- 超导量子比特：现状
超导量子比特已经在量子计算领域成为应用最广的领先候选者，在使用 “嘈杂中间尺度量子”（NISQ）技术时，非纠错量子比特被用来实现量子模拟和算法的原型方案。 本文讲述了超导量子位硬件、量门实现、读出能力、NISQ 算法实现和使用超导量子比特进 - 用于训练线性和基于内核分类器的次线性量子算法
我们设计了基于量子算法的子线性算法，用于分类问题和矩阵零和游戏问题的求解，其复杂度都是量级上界的平方根，相较现有技术有瓶颈的常数。我们的算法生成与传统算法完全相同的结果，推荐用于端到端应用，同时探讨了实现方式以及机器可达到的限制。
- 基于量子生成对抗网络的学习与加载随机分布
本文介绍了一种利用量子生成对抗网络（qGANs）和概率分布学习来实现快速、近似的量子态加载的混合量子 - 经典算法，并通过量子模拟和 IBM Q Experience 上的实际量子处理器测试实现。最后，在量子金融应用中展示了所训练的量子通道