通过构建一个由参数化的量子神经元组成的量子循环神经网络（QRNN），将量子计算与循环神经网络相结合，并通过序列学习和整数数字分类等任务进行了演示性能证明。

Jun, 2020

本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的 (经典控制的) 单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。

May, 2023

我们提出了一种真正的量子神经网络模型，其与传统的呈适应性中间层和节点的前馈神经网络具有相同的灵活性，并且具有较低的电路深度和所需的 C-NOT 门数量，从而优于现有的量子神经网络模型。通过对基准数据集进行测试，我们证明了我们的方法的优越性能，并且使用更少的量子资源要求，为将量子神经网络应用于实际相关的机器学习问题铺平了道路。

Feb, 2024

本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

Nov, 2019

我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

Oct, 2018

我们提出了一种量子神经网络，其中经典神经元通过添加辅助位变得可逆，然后被概括为量子可逆神经元，并能用梯度下降法在代价函数上有效地训练来执行量子推广的经典任务，例如压缩量子态和发现量子通信协议。

Dec, 2016

本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。

Jul, 2021

本研究论文中，作者提出使用新型混合经典 - 量子神经网络模型可以避免神经网络在永久学习中的灾难性遗忘问题。同时，模型训练还可以得到更好的性能并学习到最重要的特征。在 MNIST 和 CIFAR-10 数据集上，实验结果表明混合神经网络在记住类特定特征方面优于传统的神经网络。

May, 2023

本文提出了一种用于监督学习的低深度可变量量子算法，其使用参数化单个和双量子位门的量子电路以及单量子位测量来编码输入特征向量并进行分类，从而实现了可学习参数数量与输入维度的多项式对数关系。通过模拟，该电路为标准经典基准数据集提供了很好的分类性能，而且需要的参数数量极少。

Apr, 2018

论文探讨了基于离散变量模型和基于连续变量模型的超导量子处理器和线性光学（光子学）量子处理器的量子计算，其中 CV 模型提供了不同于离散变量模型的更多量子门，同时提供了控制量子电路输出向量长度、使用不同测量方法以及截止维度的额外灵活性。

Jun, 2022