对机器学习模型训练的栅极基量子电路的发展越来越兴趣。然而，关于电路设计的参数，噪声和其他测量误差对量子机器学习模型性能的影响很少。在本文中，我们探讨了使用多个标准机器学习数据集和IBM的Qiskit模拟器的关键电路设计参数（Qubits，Deposit等）的实际意义。总的来，我们评估超过6500个独特电路，以$ n \约120700美元。我们发现，一般浅（低深度）宽（更多Qubits）电路拓扑倾向于在没有噪声的情况下更优于更深的内容。我们还探讨了不同噪声概念的影响和影响，并讨论了对分类机学习任务的噪声更多/较低的电路拓扑。基于该研究结果，我们定义了使用基于门的NISQ量子计算机来实现近期承诺的电路拓扑指南。

基于内核的量子分类器是用于复杂数据的超线化分类的最有趣，最强大的量子机学习技术，可以在浅深度量子电路（例如交换测试分类器）中轻松实现。出乎意料的是，通过引入差异方案，可以将支持向量机固有而明确地实现，以将SVM理论的二次优化问题映射到量子古典的变分优化问题。该方案使用参数化的量子电路（PQC）实现，以创建一个不均匀的权重向量，以索引量子位，可以在线性时间内评估训练损失和分类得分。我们训练该变量量子近似支持向量机（VQASVM）的经典参数，该参数可以转移到其他VQASVM决策推理电路的许多副本中，以分类新查询数据。我们的VQASVM算法对基于云的量子计算机的玩具示例数据集进行了实验，以进行可行性评估，并进行了数值研究以评估其在标准的IRIS花朵数据集上的性能。虹膜数据分类的准确性达到98.8％。

量子噪声是嘈杂中间级量子（NISQ）计算机中的关键挑战。以前的缓解噪声的工作主要集中在门级或脉冲级噪声自适应编译。然而，有限的研究工作通过使量子电路本身对噪声具有更高的优化级别。我们提出了Quoutumnas，是变分电路和量子位映射的噪声自适应共同搜索的全面框架。变形量子电路是构建QML和量子仿真的有希望的方法。然而，由于大型设计空间和参数训练成本，找到最佳变分电路及其最佳参数是具有挑战性的。我们建议通过引入新的超级速度来解耦电路搜索和参数培训。超电路由多层预定的参数化栅极构成，并通过迭代采样和更新其的参数子集（Subcircuit）训练。它提供了从头开始培训的子通差形性能的准确估计。然后我们执行Subcircuit的演进共同搜索和其量子位映射。使用从超级电路继承的参数和使用真实设备噪声模型进行估计，估计子电路性能。最后，我们执行迭代栅极修剪和FineTuning以去除冗余栅极。在10个量子计算上广泛评估了12个QML和VQE基准，Quoutumnas显着优于基线。对于QML，Quoutumnas是第一个展示超过95％的2级，85％的4级和真实QC的32％的10级分类准确性。与UCCSD相比，它还实现了H2，H2O，LIH，CH4，BEH2上的VQE任务的最低特征值。我们还开源Quantumengine（https://github.com/mit-han-lab/pytorch-quantum），用于快速训练参数化量子电路，以促进未来的研究。

深度学习是当今机器学习中最成功和最深远的策略之一。然而，神经网络的规模和效用仍然受到用于训练它们的当前硬件的极大限制。随着常规电脑快速接近将在未来几年的情况下，常规计算机迅速接近物理限制，这些问题越来越紧。由于这些原因，科学家们已经开始探索替代计算平台，如量子计算机，用于训练神经网络。近年来，变分量子电路已成为在嘈杂的中间秤量子器件上量子深度学习的最成功的方法之一。我们提出了一种混合量子古典神经网络架构，其中每个神经元是变形量子电路。我们使用模拟通用量子计算机和艺术通用量子计算机的状态来统一地分析该混合神经网络对一系列二元分类数据集的性能。在模拟硬件上，我们观察到混合神经网络的分类精度高出10％，比各个变分量子电路更好地最小化了20％。在Quantum硬件上，我们观察到每个模型仅在Qubit和栅极计数足够小时执行良好。

For a large number of tasks, quantum computing demonstrates the potential for exponential acceleration over classical computing. In the NISQ era, variable-component subcircuits enable applications of quantum computing. To reduce the inherent noise and qubit size limitations of quantum computers, existing research has improved the accuracy and efficiency of Variational Quantum Algorithm (VQA). In this paper, we explore the various ansatz improvement methods for VQAs at the gate level and pulse level, and classify, evaluate and summarize them.

FIG. 1. Schematic diagram of a Variational Quantum Algorithm (VQA). The inputs to a VQA are: a cost function C(θ), with θ a set of parameters that encodes the solution to the problem, an ansatz whose parameters are trained to minimize the cost, and (possibly) a set of training data {ρ k } used during the optimization. Here, the cost can often be expressed in the form in Eq. ( 3), for some set of functions {f k }. Also, the ansatz is shown as a parameterized quantum circuit (on the left), which is analogous to a neural network (also shown schematically on the right). At each iteration of the loop one uses a quantum computer to efficiently estimate the cost (or its gradients). This information is fed into a classical computer that leverages the power of optimizers to navigate the cost landscape C(θ) and solve the optimization problem in Eq. ( 1). Once a termination condition is met, the VQA outputs an estimate of the solution to the problem. The form of the output depends on the precise task at hand. The red box indicates some of the most common types of outputs.

在这项工作中，我们利用量子深的增强学习作为方法，以在三个模拟的复杂性的模拟环境中为简单的，轮式机器人学习导航任务。我们显示了与经典基线相比，在混合量子古典设置中训练有良好建立的深钢筋学习技术的参数化量子电路的相似性能。据我们所知，这是用于机器人行为的量子机学习（QML）的首次演示。因此，我们将机器人技术建立为QML算法的可行研究领域，此后量子计算和量子机学习是自治机器人技术未来进步的潜在技术。除此之外，我们讨论了当前的方法的限制以及自动机器人量子机学习领域的未来研究方向。

在这项工作中，我们提供了一个量子Hopfield关联内存（QHAM），并使用IBM量子体验展示其在仿真和硬件中的能力。 QHAM基于量子神经元设计，可以用于许多不同的机器学习应用，并且可以在真实量子硬件上实现，而不需要中间电路测量或重置操作。我们通过使用硬件噪声模型以及15 QUBIT IBMQ_16_MELBOURBORNE设备的模拟来分析神经元和全QHAM的准确性。量子神经元和QHAM被证明是有弹性的噪声，并且需要低Qubit开销和栅极复杂性。我们通过测试其有效的内存容量来基准QHAM，并在Quantum硬件的NISQ-ERA中展示其能力。该演示在NISQ-ERA量子硬件中实现的第一功能QHAM是在量子计算前沿的机器学习的重要步骤。

Quantum Machine Learning（QML）提供了一种强大的灵活的范式，可用于编程近期量子计算机，具有化学，计量，材料科学，数据科学和数学的应用。这里，一个以参数化量子电路的形式训练ANSATZ，以实现感兴趣的任务。然而，最近出现了挑战表明，由于随机性或硬件噪声引起的平坦训练景观，因此难以训练深度尖锐钽。这激励了我们的工作，在那里我们提出了一种可变的结构方法来构建QML的Ansatzes。我们的方法称为VANS（可变ANSATZ），将一组规则应用于在优化期间以知识的方式在增长和（至关重要的）中删除量子门。因此，VANS非常适合通过保持ANSATZ浅扫描来缓解训练性和与噪声相关的问题。我们在变分量子Eigensolver中使用Vans进行冷凝物质和量子化学应用，并且还在量子自身化学器中进行数据压缩，显示所有情况的成功结果。

我们提出了一种新的混合系统，用于通过使用多目标遗传算法在灰度图像上自动生成和训练量子启发的分类器。我们定义一个动态健身函数，以获得最小的电路和最高的观点数据准确性，以确保所提出的技术是可推广且健壮的。我们通过惩罚其外观来最大程度地减少生成电路的复杂性。我们使用二维降低方法减少图像的大小：主成分分析（PCA），该分析（PCA）是为了优化目的而在个体中编码的，以及一个小的卷积自动编码器（CAE）。将这两种方法相互比较，并采用经典的非线性方法来理解其行为，并确保分类能力是由于量子电路而不是用于降低维度的预处理技术引起的。

随着受限制的量子计算机逐渐成为现实，寻找有意义的第一应用程序会加剧。在该领域中，较为研究的方法之一是使用一种特殊类型的量子电路（一种所谓的量子神经网络）作为机器学习模型的基础。顾名思义，粗略地说，量子神经网络可以与神经网络发挥相似的作用。但是，专门针对机器学习环境中的应用，对合适的电路体系结构或模型超参数的了解知之甚少。在这项工作中，我们将功能性方差分析框架应用于量子神经网络，以分析哪些超参数对其预测性能最大。我们分析了最常用的量子神经网络架构之一。然后，我们将其应用于OpenML-CC18分类基准中的$ 7 $开源数据集，其功能的数量足够小，足以适合量子硬件，少于$ 20 $ QUBITS。从功能方差分析获得的超参数的排名中检测到了三个主要重要性。我们的实验都证实了预期的模式，并揭示了新的见解。例如，在所有数据集上的边际贡献方面，设定学习率是最关键的超级参数，而所使用的纠缠门的特定选择被认为是最不重要的选择。这项工作介绍了研究量子机学习模型的新方法，并为量子模型选择提供了新的见解。

量子计算是使用量子力学执行计算的过程。该领域研究某些亚杀菌粒子的量子行为，以便随后在执行计算，以及大规模信息处理中使用。这些能力可以在计算时间和经典计算机上的成本方面提供量子计算机的优势。如今，由于计算复杂性或计算所需的时间，具有科学挑战，这是由于古典计算而无法执行，并且量子计算是可能的答案之一。然而，电流量子器件尚未实现必要的QUBITS，并且没有足够的容错才能实现这些目标。尽管如此，还有其他领域，如机器学习或化学，其中量子计算对电流量子器件有用。本手稿旨在展示2017年和2021年之间发布的论文的系统文献综述，以确定，分析和分类量子机器学习和其应用中使用的不同算法。因此，该研究确定了使用量子机器学习技术和算法的52篇文章。发现算法的主要类型是经典机器学习算法的量子实现，例如支持向量机或K最近邻模型，以及古典的深度学习算法，如量子神经网络。许多文章试图解决目前通过古典机器学习回答的问题，但使用量子设备和算法。即使结果很有希望，量子机器学习也远未实现其全部潜力。由于现有量子计算机缺乏足够的质量，速度和比例以允许量子计算来实现其全部潜力，因此需要提高量子硬件。

变异量子算法（VQA）在NISQ时代表现出巨大的潜力。在VQA的工作流程中，Ansatz的参数迭代更新以近似所需的量子状态。我们已经看到了各种努力，以较少的大门起草更好的安萨兹。在量子计算机中，栅极Ansatz最终将转换为控制信号，例如TransMons上的微波脉冲。并且对照脉冲需要精心校准，以最大程度地减少误差（例如过度旋转和旋转）。在VQA的情况下，此过程将引入冗余，但是VQAS的变异性能自然可以通过更新幅度和频率参数来处理过度旋转和重组的问题。因此，我们提出了PAN，这是一种用于VQA的天然脉冲ANSATZ GENTARATOR框架。我们生成具有可训练参数用于振幅和频率的天然脉冲ansatz。在我们提出的锅中，我们正在调整参数脉冲，这些脉冲在NISQ计算机上得到了内在支持。考虑到本机 - 脉冲ANSATZ不符合参数迁移规则，我们需要部署非级别优化器。为了限制发送到优化器的参数数量，我们采用了一种生成本机 - 脉冲ANSATZ的渐进式方式。实验是在模拟器和量子设备上进行的，以验证我们的方法。当在NISQ机器上采用时，PAN获得的延迟平均提高了86％。 PAN在H2和HEH+上的VQE任务分别能够达到99.336％和96.482％的精度，即使NISQ机器中有很大的噪声。

使用量子卷积神经网络（QCNN）的机器学习在量子和经典数据分类中都取得了成功。在先前的研究中，在少数参数制度中，在相同的训练条件下，QCNN的分类准确性比其经典对应物具有更高的分类精度。但是，由于量子电路的大小有限，因此很难检查大规模量子模型的一般性能，这可以在不久的将来可靠地实施。我们建议转移学习是在嘈杂的中间量子量子时代利用小QCNN的有效策略。在经典到量词转移学习框架中，QCNN可以通过使用预训练的经典卷积神经网络（CNN）来解决复杂的分类问题，而无需大规模量子电路。我们对QCNN模型进行了数值模拟，并在转移学习下对MNIST数据分类进行了各种量子卷积和汇总操作，其中经典的CNN经过了时尚持续数据的培训。结果表明，在相似的训练条件下，从经典到量子CNN的转移学习比纯粹的经典转移学习模型要好得多。

预计量子计算将提供巨大的计算能力，可以为许多数据科学问题提供有效的解决方案。但是，当前一代的量子设备很小且嘈杂，这使得处理与实际问题相关的大数据集变得困难。核心选择旨在通过减少输入数据的大小而不损害准确性来避免此问题。最近的工作表明，核心选择可以帮助实施量子K-均值聚类问题。但是，尚未探索核心选择对量子K-均值聚类性能的影响。在这项工作中，我们比较了两种核心技术（BFL16和Oneshot）的相对性能以及每种情况下的核心结构的大小，相对于各种数据集，并布局在实现量子算法中的核心选择的优势和局限性。我们还研究了去极化量子噪声和位叶片误差的影响，并实施了量子自动编码器技术以超过噪声效应。我们的工作为未来在近期量子设备上实施数据科学算法提供了有用的见解，这些量子设备通过核心选择减少了问题大小。

在过去的十年中，机器学习取得了巨大的成功，其应用程序从面部识别到自然语言处理不等。同时，在量子计算领域已经取得了快速的进步，包括开发强大的量子算法和高级量子设备。机器学习与量子物理学之间的相互作用具有将实际应用带给现代社会的有趣潜力。在这里，我们以参数化量子电路的形式关注量子神经网络。我们将主要讨论各种结构和编码量子神经网络的策略，以进行监督学习任务，并利用Yao.jl进行基准测试，这是用朱莉娅语言编写的量子模拟软件包。这些代码是有效的，旨在为科学工作中的初学者提供便利，例如开发强大的变分量子学习模型并协助相应的实验演示。

In recent times, Variational Quantum Circuits (VQC) have been widely adopted to different tasks in machine learning such as Combinatorial Optimization and Supervised Learning. With the growing interest, it is pertinent to study the boundaries of the classical simulation of VQCs to effectively benchmark the algorithms. Classically simulating VQCs can also provide the quantum algorithms with a better initialization reducing the amount of quantum resources needed to train the algorithm. This manuscript proposes an algorithm that compresses the quantum state within a circuit using a tensor ring representation which allows for the implementation of VQC based algorithms on a classical simulator at a fraction of the usual storage and computational complexity. Using the tensor ring approximation of the input quantum state, we propose a method that applies the parametrized unitary operations while retaining the low-rank structure of the tensor ring corresponding to the transformed quantum state, providing an exponential improvement of storage and computational time in the number of qubits and layers. This approximation is used to implement the tensor ring VQC for the task of supervised learning on Iris and MNIST datasets to demonstrate the comparable performance as that of the implementations from classical simulator using Matrix Product States.

Hybrid quantum-classical systems make it possible to utilize existing quantum computers to their fullest extent. Within this framework, parameterized quantum circuits can be regarded as machine learning models with remarkable expressive power. This Review presents the components of these models and discusses their application to a variety of data-driven tasks, such as supervised learning and generative modeling. With an increasing number of experimental demonstrations carried out on actual quantum hardware and with software being actively developed, this rapidly growing field is poised to have a broad spectrum of real-world applications.

隔离量子系统的演变是线性的，因此量子算法是可逆的，包括那些利用量子电路作为生成机器学习模型的量子。但是，一些最成功的经典生成模型，例如基于神经网络的模型，涉及高度非线性，因此是非可逆的动力学。在本文中，我们通过引入一个模型来探讨这些动力学在量子生成建模中的效果，该模型通过神经网络结构将非线性激活添加到标准生产的机器框架上 - 量子神经元出生机器（QNBM）。为了实现这一目标，我们利用了先前引入的量子神经元子例程，这是一个重复启用的电路，具有中路测量和经典控制。引入QNBM后，我们通过训练具有4个输出神经元以及各种输入和隐藏层大小的3层QNBM来研究其性能如何取决于网络大小。然后，我们将非线性QNBM与线性量子电路诞生的机器（QCBM）进行比较。我们将相似的时间和内存资源分配给每个模型，因此唯一的主要区别是QNBM所需的QUBIT开销。通过基于梯度的训练，我们表明，尽管这两种模型都可以轻松地学习一个琐碎的均匀概率分布，但在更具挑战性的分布类别上，QNBM的错误率几乎比具有相似数量可调参数的QCBM要小3倍。因此，我们提供的证据表明，非线性是量子生成模型中的有用资源，我们将QNBM作为具有良好生成性能和量子优势潜力的新模型。

生成建模是近期量子设备的一项有前途的任务，可以将量子测量的随机性作为随机来源。所谓的出生机器是纯粹的量子模型，并承诺以量子的方式生成概率分布，而对经典计算机无法访问。本文介绍了出生的机器在蒙特卡洛模拟中的应用，并将其覆盖范围扩展到多元和有条件的分布。模型在（嘈杂）模拟器和IBM量子超导量子硬件上运行。更具体地说，出生的机器用于生成由Muons和探测器材料之间的散射过程和高能量物理颜料实验中的探测器材料产生的事件。 MFC是出现在标准模型理论框架中的玻色子，它们是暗物质的候选者。经验证据表明，诞生的机器可以从蒙特卡洛模拟中重现数据集的边际分布和相关性。