本研究探讨了在量子计算环境中使用多尺度纠缠重整化 ANSATZ 计算的量子卷积神经网络 (QCNN) 和将 QCNN 层添加到现有的 CNN 学习模型中以提高性能的方法，并通过与 TensorFlow Quantum 平台中使用的 MNIST 数据集的训练验证了 QCNN 模型的高效学习能力。

Sep, 2020

该研究论文提出了一种基于量子计算的卷积神经网络（QCNN）算法，能够应用和训练深度 CNN，并通过引入非线性和池化操作打破传统的限制，以更高效地进行图像识别，同时也介绍了新的量子测量及概率采样算法。

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

本文研究量子卷积神经网络与经典卷积神经网络、人工 / 经典神经网络模型之间的潜力差异，研究表明，根据输入大小和批量大小，量子卷积神经网络有可能在准确性和效率上胜过经典卷积神经网络和人工神经网络，表现出作为机器学习领域中强大工具的潜力。

Jul, 2023

从分析量子卷积神经网络（QCNNs）中我们得出以下结论：1）利用量子数据可以通过隐藏特征映射来嵌入物理系统参数；2）它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集，其中旋转模型的量子临界性导致具有快速变化特征的基函数；3）QCNNs 的汇集层负责选择那些可以有助于形成高性能决策边界的基函数，学习过程对应调整测量，使得少量量子比特算子映射到全寄存器观测量；4）QCNN 模型的泛化强依赖于嵌入类型，而基于傅立叶基准的旋转特征映射需要精心设计；5）基于有限测量次数的 QCNN 的准确性和泛化能力偏爱地面态嵌入和相关的物理信息模型。我们通过模拟展示了这些观点，我们的结果为感知应用中与物理过程分类有关的问题提供了启示。最后，我们展示了选择适当的地面态嵌入可以用于流体动力学问题的 QCNN，可以良好泛化并经过验证可训练。

Aug, 2023

本文介绍了一种新的变换层：quanvolutional layer，它可以通过在局部应用数个随机量子电路的方式对输入数据进行变换，类似于卷积过滤层。在 MNIST 数据集上的实验结果表明，用 QNN 可以比传统 CNN 享有更高的测试集精度和更快的训练速度。

Apr, 2019

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

该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构，优化了量子资源的分配，达到了优秀的分类性能，同时最小化了资源开销，为噪声和不完美情况下可靠量子计算提供了最佳解决方案。

Mar, 2024

使用 PennyLane 实现的量子卷积神经网络（QCNN）通过参数化量子电路优化来最小化交叉熵损失，用于经典数据的多类分类，在 MNIST 数据集上的实验结果表明，对于 4 类问题，性能略低于经典 CNN，但对于更多类别的问题，量子卷积神经网络表现出更好的性能。

Apr, 2024

提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 QNN 的局限性。

Sep, 2022