迁移学习与单光子源质量的早期估计的机器学习方法

提出了一种数据驱动的方法，利用无监督机器学习识别病理，以提高量子设备的验证效率。

通过K-means聚类训练分类器，区分相同光子和不同光子的波色子采样器。

利用机器学习算法的自动化测量方法提高量子系统的测量效率，为大型量子电路的自动化控制奠定基础。

训练神经网络减少SPAM错误，提高量子态重建的保真度。

提出基于深度学习和强化学习的模型无关方法，实现贝叶斯量子计量任务，提升测量性能。

研究气相外延生长量子点的方法，利用机器学习加快表面形态优化过程，提高可再现性。

利用机器学习技术特征化和修正中性原子NISQ设备上的噪声，设计脉冲纠正测量误差。

提出基于混合密度网络模型和迁移学习的逆向建模方法，准确预测纳米光子结构的设计解决方案。

基于深度学习的变分自编码器方法实现光子统计特征的低维度映射，改进光子和光源的分类。