- 从单个基态准确学习等变量量子系统
通过从一个基本样本中学习，我们显著提高了在具有周期边界条件系统的所有基态性质的预测算法的效率，并证明了在热力学极限下预测误差趋近于零。
- 利用大型语言模型进行量子多体物理计算
使用大型语言模型和精心设计的提示语，能够准确地在理论物理研究论文中执行关键计算，探索量子物理学中广泛使用的 Hartree-Fock 方法，并解决了信息提取和计算步骤自动评分等瓶颈问题，为开发自动探索理论假设的算法迈出了重要的一步。
- 图灵测试，一个美丽的思维实验
基于大型语言模型，本文通过新的档案来源，提供了关于图灵的 1950 年论文的一系列原创答案，对图灵测试的价值进行了核心研究。
- 小型量子态的可解释表示学习
本研究提出了一种自我学习的方法，使用无人干预的生成式模型来描述量子状态，通过研究该模型学习到的内在表示方式及其对量子态的理解，我们证明该方法具有实现可解释机器学习量子态的潜力，且能够进行自主学习，并为机器学习如何自我学习小规模量子系统提供了 - 局部连接神经网络的适用数据：基于量子纠缠的必要充分条件
本文采用量子物理的理论工具，研究了数据分布在神经网络中应用的适宜性问题，提出了一种新的局部连接神经网络适用性的预处理方法，并在多个数据集上进行了实验验证。
- MM计算机激发的量子实验
本文介绍了应用于物理学领域的计算机辅助设计方法，着重阐述一种高效拓扑搜索方法用于设计新的复杂量子实验，并通过优化和机器学习技术提出了加速未来实验或理念发现的可能性。
- 神经网络中物理系统的操作性有意义表示
通过神经网络架构，将物理系统中不同方面的信息以最高效的方式传递，以实现表述不同实验条件下有用参数的分离及筛选， 实现了针对不同参数需求的物理系统抽象表示， 并且可以与强化学习相结合实现交互式场景下的物理系统表征学习。
- 推导并验证量子决策模型的实验协议
本研究使用 Stern-Gerlach 实验的实验设计，利用量子物理理论开发了一个量子认知决策模型，并通过计算 Wigner 函数来测试其量子性。研究结果表明，该模型在预测决策时比 Bayes 规则更准确。
- 利用语义和神经网络预测研究趋势 —— 以量子物理学为应用实例
通过构建语义网络，使用深度学习算法对科学文献进行预测和研究，探索和发现量子物理学的未来研究动向和新思路。
- CNM: 一个可解释的用于匹配的复数值网络
本文探讨使用量子物理的数学框架对人类语言进行建模，并通过复杂网络实现语义匹配以及在问题回答数据集上取得与强基线模型相当的性能。
- NISQ 时代及其之后的量子计算
NISQ 技术将为探索量子物理学提供有用的工具，而 100 量子位计算机只是通向未来更强大的量子技术的重要一步。
- 深度学习与量子纠缠：基础联系及其对网络设计的影响
本研究探讨深度卷积网络的归纳偏差，建立了量子物理和深度学习之间的基本联系，通过量子纠缠测量深度网络表达输入相关结构的能力，探索了 ConvAC（深度卷积算术电路）的新理论观察，提出了通过深层卷积网络的通道数直接控制归纳偏差的方法。
- 利用人工神经网络解决量子多体问题
通过机器学习的波函数系统性降低了量子物理中多体问题的复杂度，通过基于人工神经网络的变化神经元的量子状态的变分表示和强化学习方案，能够准确地描述复杂相互作用量子系统的时间演变和平衡和动态特性，为解决量子多体问题提供了新的强有力的工具。
- 蕴含因果关系的量子相关性
本研究探讨了量子物理学和相对论之间的关系，引入了伪密度矩阵的概念，并定义了一个衡量因果性的指标以区分时空相关性，通过两个 qubit 核磁共振实验，展示了一个时间伪密度矩阵如何在两个连续测量之间随着退相干程度的增加趋近于一个允许的密度矩阵。
- MM量子图式主义
这篇论文提出了一个基于矢量图的高级替代哈密顿空间正式主义的方案，支持直观的量子系统相互作用推理和量子计算机方案的图形化证明，同时分析量子非局域性结构的起源。这个高层图形正式主义的数学基础是单调类别，由于在物理理论、逻辑、编程语言和生物学等领 - 物理、拓扑、逻辑和计算：一块罗塞塔石
介绍了在物理学中引入的 Feynman diagrams 以及其与拓扑学、逻辑学和计算机科学等领域之间的类比关系，并使用闭对称多重类的概念将一些类比关系形式化。
- 用于密度矩阵的贝叶斯广义概率演算
基于密度矩阵的概率计算包括定义联合、条件概率、与总概率定理类似的公式、贝叶斯规则、相对熵，其中相对熵版本的贝叶斯规则是由最小相对熵原理推导得到的，并且优化方向的不确定性可以通过一般化的方法来处理并得到相应的贝叶斯下限。