量子模拟和量子计算是目前量子计算机主要研究的热点。由于极高的计算成本,这些问题对于经典计算机来说非常具有挑战性。然而,量子计算机对于这些问题有望提供解决方案。目前含噪中型量子计算设备存在严重的局限性。量子门的不精确实现会限制量子线路的可扩展性。近年来,变分量子算法被提出作为一种强有力的方法,可以在含噪中型量子（Noisy intermediate-scale quantum,NISQ）设备上实现。然而,近期量子设备算法的过程中受到了重重挑战,包括可训练性、算法的准确性和效率。本论文主要研究如何在含噪中型量子计算设备上设计可靠的并且可执行的量子算法。本文的内容主要包含我的两个工作。第一个工作是利用演化算法为运行在含噪中型量子计算机的变分量子本征求解器设计抗噪的浅层量子线路。变分量子本征解算器是一种变分量子算法。变分量子算法使用经典的优化器来训练含参量子线路。这意味着变分量子算法是一种经典量子混合的算法。本文在这一部分中,基于经典演化算法,提出了一种量子电路演化算法,用于生成一个鲁棒的量子电路结构。该方法将量子电路结构编码到基因组中,通过变异和交叉操作改变基因组结构,然后选择性能最佳的量子电路结构。在选择的过程中,算法利用经典优化器优化线路参数并且采用鲁棒的量子控制策略,使得每个染色体都达到最优性能。经过演化过程,算法最终可以在有噪声的含噪中型量子器件中获得鲁棒的量子电路。对比分析表明,用经典演化算法训练的量子电路比常用的硬件有效的量子线路浅,并且可以得到更低的能量。虽然本文的算法会消耗额外的经典和量子的资源,但能显著提升变分量子本征求解器在含噪设备上的运行效率和精度,这是更为关键的因素,因此该生成线路的方法是能够可靠执行的。我的第二个工作是设计含噪中型量子计算机上的量子分类算法。由于量子非相干噪声和相干噪声对含噪量子设备的影响,量子分类任务无法高精度的完成。因此,本研究希望利用浅层量子变分电路的组合来克服噪声效应。本文将利用经典机器学习的思想来提高量子分类任务的准确性。通过自适应提升算法（Adaptive Boosting,Ada Boost）将线性组合浅层量子变分电路形成一个强的分类器。这样的强分类器会达到很好的对抗噪声的效果。基于二分类任务的训练误差会随着组合中弱分类器的数量呈指数下降的事实,我证明了多分类任务的训练误差也会随弱分类器的数量也呈指数下降。本文研究的主要内容为含噪中型量子计算机上的量子算法。第一种算法介绍如何生成浅层量子电路结构。第二种算法说明浅层量子线路结构在有噪声的量子计算机中是否具有鲁棒优势。这两种算法为解决噪声量子器件的特征值问题和分类问题提供了新的途径。此外,这项工作为如何设计含噪的量子电路以及如何在含噪量子计算机上提高量子分类的性能提供了一个通用框架。