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

我们的研究主要关注于为容错量子计算架构开发激活函数的量子电路，重点在于最小化 $T$-depth。我们提出了 ReLU 和 leaky ReLU 激活函数的新实现，分别实现了恒定的 4 和 8 的 $T$-depth。借助量子查找表，我们还延伸研究到其他激活函数，如 sigmoid。通过调整量子比特的数量，我们能够定制精度和 $T$-depth，使得我们的研究结果在各种应用场景中更具适应性。这项研究对于提升量子机器学习的实用性和应用具有重要意义。

Apr, 2024

我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

Nov, 2022

该研究论文证明了可以利用一个可逆的、多体的单元操作实现具有 Sigmoid 激活函数的量子感知器，并且在神经网络中插入该感知器可以构成一个连续函数的普适逼近器。这一构造中所需的资源随着网络总规模的变大而缩小，并主要由层数决定。最后，该研究还探讨了这种 Sigmoid 感知器在量子传感或多体哈密顿量变分估计方面的应用。

Jan, 2018

利用 Grover 和 Deutsch-Josza 两个基础量子算法，研究如何通过输出测量来推断在一定时间内，简单的神经网络（适用于生物和人工网络）是否会继续支持动态活动，或者其动态是否会停止。

Mar, 2024

量子机器学习与经典机器学习中的核方法有相似之处，本研究探索了将经典神经网络与量子退火机连接的设置，并模拟了其在分类问题上的性能，发现加入小型量子退火机并不能显著提高性能。

Aug, 2023

本文探讨了如何使用人工神经网络学习量子计算机处理器的能力函数，并使用卷积神经网络模拟了计算器的能力，结果表明在遇到门依赖型、时间依赖型和上下文相关的随机误差时，卷积神经网络可以准确地模拟处理器的能力。

Apr, 2023

提出了量子光学神经网络（QONN）的概念，并利用集成量子光子学等技术，通过数值模拟和分析培训 QONN，可执行一系列量子信息处理任务，包括压缩、强化学习、黑盒量子模拟等，并展示了其泛化数据的能力。结果表明 QONNs 是量子光学系统的有力设计工具，是下一代量子处理器的一种有前途的架构。

Aug, 2018

本文提出了一个理论框架，针对由替换编码电路块和可训练电路块组成的数据重新上传量子神经网络的表达能力进行研究，并证明了单量子比特量子神经网络可以通过将模型映射到部分傅里叶级数来逼近任何一元函数，并讨论了单量子比特本地 QNN 逼近多元函数的局限性。通过数值实验展示了单量子比特本地 QNN 的表达能力和局限性。

May, 2022

研究利用机器学习技术开发量子计算算法的一种新思路，通过对比标准实值和复值经典神经网络与量子神经网络性能的实验表明，量子神经网络能够用更少的反向传播次数和更小的网络模型获得相媲美甚至更好的结果。

Jul, 2018