- 强化学习中变分量子电路的优化技术研究
量子计算通过减少可训练参数来提高机器学习效果，并且通过使用变分量子电路 (VQCs) 融合经典优化技术，研究人员致力于在噪声中等规模量子时代 (NISQ) 中，应用 VQCs 到强化学习中以减少参数并提高超参数稳定性及整体性能。
- Qiskit 中基因组数据的量子机器学习算法的独立实现
本文探讨了量子机器学习的潜力，通过在 Qiskit 中利用多种特征映射技术对基因组序列分类，扩展、实现和评估了量子支持向量分类器（QSVC），Pegasos-QSVC，变分量子电路（VQC）和量子神经网络（QNN）等算法。
- 量子视觉变压器用于夸克胶子分类
提出了一种混合量子 - 经典视觉转换器架构，其特点是在注意机制和多层感知机中集成了变分量子电路。该研究解决了计算效率和资源限制在分析未来的高亮度大型强子对撞机数据方面的重要挑战，提出了该架构作为潜在解决方案。通过将该模型应用于 CMS 开放 - 量子机器学习隐私优势的前景
保证数据隐私在机器学习模型中至关重要，尤其是在分布式环境中，其中模型梯度通常在多个参与方之间共享，以实现协同学习。该研究揭示了基于量子机器学习模型的梯度中恢复输入数据的困难程度，并发现了动力学李代数在决定隐私漏洞方面的重要作用。研究结果显示 - 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。
- MM使用深度生成网络的量子问题变分优化
基于生成模型的变分生成优化网络（VGON）是一个通用方法，用于设计变分优化算法，并在量子任务中得到广泛应用。
- 傅立叶级数引导的量子卷积神经网络设计，用于增强时间序列预测
应用 1D 量子卷积解决时间序列预测任务，通过将多个点编码到量子电路中预测后续数据，每个点转化为一个特征，将问题转化为多维问题。基于之前研究中 Variational Quantum Circuits (VQCs) 可以表示为多维傅里叶级数 - 基于模型的离线量子强化学习
这篇论文提出了第一种基于模型的离线量子强化学习算法，并在滑车杆平衡问题上展示了其功能。模型和待优化的策略都以变分量子电路的形式实现。通过梯度下降，模型被训练以拟合预先记录的数据集。策略使用无梯度优化方案，以模型给出的回报估计作为适应度函数进 - 量子泄漏：从基于云的 NISQ 设备中窃取量子神经网络
介绍了 QuantumLeak，一种从基于云计算的 NISQ 机器中提取 QNN 模型的有效准确的技术，相比现有的经典模型窃取技术，QuantumLeak 在各种数据集和 VQC 架构上提高了 4.99%~7.35% 的本地 VQC 准确度 - 量子神经网络频谱的谱不变性与极大性质
量子神经网络（QNN）是量子机器学习中一种流行的方法，与变分量子电路紧密关联，可被用于嘈杂中尺度量子（NISQ）设备上的实际应用。我们分析了 QNN 的频谱，并证明了其在大范围模型中的最大性结果。此外，我们证明了在一些温和条件下，存在着保持 - 基于 VQC 的数据重上传强化学习：性能和可训练性
基于经验证据，本研究使用变分量子电路 (VQC) 作为函数逼近器构建了深度 Q - 学习模型，研究了该模型在经典控制基准环境中的性能和可训练性，探讨了数据重新上传对这些指标的影响，并发现 VQC 在这种环境中具有适用性，且在逼近 2 设计时 - 量子去噪扩散模型
本研究探讨了量子机器学习和变分量子电路的整合，以增强扩散式图像生成模型的效力，并通过 MNIST 数字，Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试，结果显示我们的模型在性能指标 FID、SSIM 和 - 量子优势演员 - 评论家强化学习
本研究提出一种新颖的量子强化学习方法，将优势演员 - 评论家算法与变分量子电路结合，通过替代部分经典组件解决了强化学习可扩展性方面的问题，同时保持了较高性能。通过实证测试多种量子优势演员 - 评论家配置与知名的倒立摆环境，我们的结果表明，使 - 量子机器学习的分层学习：大规模变分量子电路的新型训练技术
我们提出了分层学习，一种用于训练大规模变分量子电路的新颖变分体系结构，并用量子电路比特机 (QCBMs) 测试和基准测试我们的技术。
- 量子与经典贡献在混合量子机器学习架构中的分解
通过使用压缩数据和自动编码器结合量子组件，我们的研究表明在混合迁移学习中，经典组件显著影响分类结果，而这一贡献常常被错误地归因于量子元素。我们的模型表现与使用幅度嵌入的变分量子电路相一致，将其定位为一种可行的替代方案。
- 多智能体量子强化学习基于进化优化
多智能体强化学习中的量子强化学习通过使用量子力学的内在属性降低了模型的可训练参数，我们基于无梯度量子强化学习的现有方法，并通过变分量子电路的树状方法提出了多智能体强化学习的方法，使用进化优化算法，我们在 Coin Game 环境中评估了我们 - 确定性进，确定性出：用于量子机器学习的 REVQC
量子机器学习研究了快速化和精确推断方法，通过对 MNIST 和 MNIST Fashion 数据集进行实验，证明了反向训练对于提高单个样本推断准确性的有效性。
- 利用量子图神经网络进行金融欺诈检测
提出一种利用量子图神经网络和变分量子电路检测金融欺诈的新方法，通过与经典图神经网络的比较实验证明该方法在金融欺诈检测方面具有更高的性能。
- 变分量子算法的权重重新映射
本研究通过使用 7 种不同的重量映射函数来对 8 个分类数据集进行评估，结果表明重量重新映射不仅可以增强 VQC 的收敛速度，而且在某些情况下还可以显著提高准确性。
- 量子自然政策梯度：朝着样本有效的强化学习
使用变分量子电路作为函数逼近器，提出了量子自然策略梯度（Quantum Natural Policy Gradient，QNPG）算法。在 Contextual Bandits 环境中进行实验，证明 QNPG 相对于基于一阶的训练具有更快的