该研究对噪声对量子神经网络的影响进行了全面分析，研究了 Mottonen 状态准备算法在各种噪声模型下的表现，并研究了量子状态在多层量子神经网络中的退化。此外，该论文评估了噪声对预训练量子神经网络性能的影响，并强调了噪声模型在量子计算中所带来的挑战。该研究结果对量子软件的发展具有重要意义，强调了在开发可靠和可信赖的量子神经网络时优先考虑稳定性和噪声修正措施的重要性，为量子计算和量子机器学习领域的数据库添砖加瓦，提供了对噪声对量子神经网络影响的新洞察，为更强大和有效的量子算法的发展铺平了道路。

Nov, 2023

本文开发了一个不可能定理，证明了使用量子神经网络（QNNs）从高保真度的初始状态开始，学习未知量子态的概率随比特数指数级下降，而与电路深度多项式增长，从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制，并深化了先验信息在 QNNs 中的作用的理解。

Sep, 2023

我们介绍了一个可以通过监督学习表示带有标签的数据（经典或量子）并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成，作用于输入的量子态，可以进行二元分类。我们展示了如何对经典数据集进行分类，并使用实际数据集的例子展示了该网络的应用。

Feb, 2018

本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效模拟。

Jul, 2020

本研究使用 Adam 优化算法训练近期量子电路，模拟乱杂的非正交量子概率分布的未知非酉量子电路结构，成功实现量子数据的最优分类，是一种没有经典类别的量子机器学习任务的实例。

May, 2018

该研究论文探讨了参数化量子电路（PQCs）与量子噪声的关系，并提出了一种基于扩散的学习方法，以减小 PQCs 中的量子噪声并降低特定任务的误差。通过实验证明了该学习策略的高效性，并在量子噪声情景中在分类任务上取得了最先进的性能。

Jun, 2024

本文提出了一种基于带限傅里叶展开的量子感知器（QPs）转移函数的模型，用于设计可扩展的训练过程的量子神经网络（QNNs），并在其中添加了一种随机化的量子随机梯度下降技术，消除了样本复制的需要，并证明该训练过程期望收敛于真实最小值，这有助于提高数据效率和遵守禁止复制规则。

Mar, 2022

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

本文研究了嘈杂中等规模量子设备的参数化量子电路的梯度估计和优化问题。作者指出，由于希尔伯特空间的指数维度和梯度估计复杂度，随机电路不适用于超过少量量子比特的混合量子 - 经典算法。

Mar, 2018

本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

Mar, 2018