该文综述量子机器学习进展：混合迁移学习中经典组件常被误归因于量子元素；Transformer可重构量子态并提升量子嵌入分类性能；张量网络可统一经典与量子计算；Transformer还能学习线性代数且具鲁棒性；量化感知张量压缩实现高压缩比；FLASH等改良模型加速训练；Grover算法加速稀疏注意力；量子循环神经网络亦被提出。

该研究揭示了量子学习中量子复制与纠缠之间的平滑交换，以及从最大混合态偏离程度的估计。研究还提出了一种高效的量子态重构方法，可以应用于其他问题。另外，研究还探讨了量子态的样本最优重构、量子态的阴影成像、分布式量子内积估计、量子状态认证、以及量子态的在线学习等问题。

该文综述深度学习在反问题中的应用，涵盖地震、医学与量子成像等领域：利用压缩学习与卷积网络降维实现稀疏源三维地震反演；联合重力与地震数据重建地下密度和速度以监测CO₂封存；端到端网络使CT重建达到数值精度；标签驱动配准改进医学图像对齐；自编码器与Transformer模拟三维湍流；深度图像先验提升低数据CT质量；张量字典稀疏重建；Transformer自编码器重构量子态；循环网络单元处理时空传感器数据；部分学习求解病态反问题，PSNR提升5.4dB。