自适应变分量子科莫戈罗夫-阿诺德网络的VarQITE优化
量子虚时间演化（QITE）是一种用于推导系统基态的强大方法。该方法仅需量子态的阻尼过程引导，因而无需任何外部操纵即可确保自然抵达基态。众多研究团队提出的多种QITE方法已被用于提升速度与精度、推导激发态以及解决组合优化问题。然而，这些QITE方法尚未被用于通过量子机器学习来预测多输入变量的理想值。为此，该团队提出了一种将QITE方法应用于量子机器学习的技术，并演示了初等函数拟合问题及二维平面分类问题。实验结果表明，在处理某些问题时，该方法的精度优于量子神经网络。由于该方法可拓展至其他量子机器学习算法，它可能成为QITE应用于量子机器学习领域的里程碑。
