- CHARME：一种基于链式强化学习的小嵌入问题解决方法
通过使用强化学习等技术解决量子退火中的 “次嵌入问题”，该研究提出了一种名为 CHARME 的方法，包括用于策略建模的图神经网络架构、确保解的有效性的状态转换算法和有效的训练顺序探索策略。实验证明，CHARME 的效率优于 Minormin - 比较量子退火与脉冲神经形态计算在二进制稀疏编码 QUBO 问题采样中的应用
通过应用无监督词典特征学习方法，我们研究了稀疏二进制表示问题，并使用量子退火和 Loihi 2 神经形态处理器求解了该问题。我们的结果表明，量子退火在大多数情况下与模拟退火相似，但模拟退火总能找到最优解，而量子退火不能。Loihi 2 采样 - 通过量子退火提高多目标跟踪的准确性
这篇研究论文介绍了一种利用量子退火来加快计算速度、通过集成物体跟踪过程提高跟踪准确性的新方法，并提出了一种改进匹配集成过程的方法。利用 MOT 的序列性质，通过逆向退火进一步增强了跟踪方法。实验证实，每个跟踪过程仅需要 3 微秒的退火时间即 - CaloQVAE：使用混合量子 - 经典生成模型模拟高能粒子 - 量能器相互作用
大型强子对撞机的高亮度时代在碰撞事件分析中面临着重大的计算挑战。我们介绍了一种将生成模型和量子退火相结合的技术，用于高能粒子与量热器之间相互作用的快速高效模拟。
- 基于退火量子玻尔兹曼机的大规模图像分类的迁移学习
利用量子迁移学习 (QTL) 和量子退火 (QA) 的混合量子经典方法，通过将量子玻尔兹曼机引入混合量子经典管道，实现了对大规模医学图像的监督学习，取得了比传统迁移学习更好的分类性能。
- Q-Seg：基于量子退火的无监督图像分割
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 - 基于量子退火的非负 / 二元矩阵分解图像分类方法
基于量子退火的矩阵分解方法在图像分类中与传统的机器学习方法进行了性能比较，发现在数据、特征和迭代次数较少的情况下，利用量子退火技术训练模型的准确性优于传统的神经网络，并且该技术还能显著减少计算时间。
- 新冠疫情对大学生抑郁问题的影响因素的研究
通过量子退火算法，我们确定了 COVID-19 大流行之前和之后相关因素的相对重要性和关联性变化，验证了该方法在因子分析研究中的可比较能力，并发现在后疫情条件下，与疫情相关的因素和心理因素更为重要。
- QAL-BP: 增广拉格朗日量子方法用于装箱问题
QAL-BP 是一种用于解决装箱问题的新型二次无约束二值优化（QUBO）方法，利用增广拉格朗日方法将装箱约束融入目标函数中，同时为启发式罚函数提供了分析估计，通过在实际量子退火设备上进行实验，结果表明量子计算在解决装箱问题上的潜力，特别是在 - 基于量子力学视角的量化优化
基于热力学的统计和随机分析已经成为随机全局优化的主要分析框架。最近，出现了用于全局优化的量子退火或量子隧穿算法，我们需要一个新的研究框架来研究全局优化算法。在本文中，我们基于薛定谔方程提供了基于量子化的优化的分析，以揭示量子力学中的哪种性质 - 基于 QUBO 和受限玻尔兹曼机的量子退火适用的图像去噪框架
研究了一种基于受限玻尔兹曼机的二元图像去噪框架，其引入了一个二次无约束二元优化（QUBO）形式的去噪目标，非常适用于量子退火。
- 使用平衡传播训练伊辛机
本文介绍了一种新的方法，使用平衡传播算法对 Ising 机器进行监督训练，获得与软件实现相当的结果。我们使用 D-Wave Ising 机器的量子退火程序在 MNIST 数据集上训练全连接神经网络，并且证明了该机器的连通性支持卷积操作，从而 - CVPRCCuantuMM: 多形状循环一致量子混合匹配
本文介绍了一种利用量子混合方法的三维多形状匹配方法，从而实现循环一致性，并采用现代绝热量子硬件迭代计算，该方法将 N 个形状的情况简化为一系列三形状匹配，实现了线性可扩展性。在基准数据集上，该方法显着优于之前的量子混合两形状匹配方法的多形状 - BILP-Q：量子联盟结构生成
该研究提出了 BILP-Q，这是第一个解决合作联盟结构生成问题的通用量子方法。利用 QUBO 问题重新定义合作联盟结构生成问题，并通过比较分析量子方法和传统方法的时间复杂度，以及在 IBM Qiskit 环境中对标准联盟价值基准分布进行了小 - 迭代量子退火贪婪参数优化
本研究提出了一种简单的过程以变量确定具有 $y$ 轴方向场的横场伊辛模型中的参数集，该方法通过短退火过程的输出对 $y$ 场项系数的符号进行贪婪优化，通过测试，我们发现该方法表现优于传统量子退火和模拟退火，特别是在更短的冷却时间下，提高了解 - 采用非绝热量子退火实现量子增强的前景
本文研究了量子退火算法在组合优化和相关抽样任务中相对于经典最新方法实现量子加速的前景，并且基于对既有文献中引入的多种启发式量子优化算法的改进相干时间以及控制能力的持续探索和兴趣，提出了包括连续时间哈密顿计算算法、反向退火和连续时间量子行走在 - 量子退火：数字化、控制和混合量子变分方案之旅
本文研究和探讨了量子模拟（QA）和量子近似优化算法（QAOA）之间的联系，介绍了一种用于证明过往性能的技术，并展示了一种优化的 digitized-QA 协议。
- 使用 D-Wave 2X 上的量子推理进行图像分类
利用量子退火 D-Wave 2X 计算机实现稀疏编码问题的最优解，通过瓶颈自编码器将 MNIST 图像降维，再使用类似 AlexNet 的 TensorFlow 结构进行分类。利用线性支持向量机对 D-Wave 2X 推断出的稀疏表示进行分 - 量子退火的视角：方法和实现
这篇论文介绍了量子退火作为一种计算范式的概念，探讨了量子计算面临的挑战和潜在解决方案，并强调实验和理论之间的协同作用，着重讨论了未来的发展方向和意义。
- 通过暂停改善铁磁 $p$ 自旋模型的量子退火
本研究探讨了利用热松弛控制量子退火器的动力学，并通过数字分析得出，在最佳暂停点时，相较于同等时间的量子退火器，可以实现约 45% 的成功率提升，进一步证实了在其他量子退火器中所观察到的结果。