提出了一种新的量子计算方法，称为软量子计算，利用真实的量子系统和自然环境引起的相干和耗散来开展非经典计算。作为软量子计算的一个具体示例，我们建议使用 “受控 Kraus 操作” 通过成对连接神经元，希望为量子人工智能甚至更好地理解人脑的某些功能开辟一条更容易和更现实的道路。我们的量子神经元模型尽可能地模仿现实神经元，并同时使用量子定律来处理信息。噪声神经网络的量子特性是通过量子不和谐性和非压缩性来发现的。我们相信，我们的模型将量子计算置于更广泛的背景下，并激发了早期发展软量子计算机的希望。

Oct, 2018

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

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

本研究探讨了一种可扩展的量子神经网络（SQNN）方法，通过利用多个小型量子设备的量子资源来提高分类精度和训练效率。 对 MNIST 数据集进行的评估表明，相比于相同规模的常规 QNN 模型， SQNN 模型可以实现具有可比较的分类精度，并且超过一定量子资源的 SQNN 模型可以显著提高分类精度。

Aug, 2022

本文提出了一种系统方法，对量子神经网络的研究进行了综述和总结，旨在将量子计算与神经计算的突出特性相结合，但是目前为止并没有一个潜在的 QNN 模型能够完全利用量子物理和计算在神经网络中的优势，未来的发展方向可能是基于耗散量子计算的开放量子神经网络。

Aug, 2014

研究了用于手写数字 MNIST 数据集分类问题的混合量子 - 经典神经网络的性能，结果表明虽然模拟时间较长，但是该模型优于传统网络，达到更好的收敛性和高的训练和测试精度。

Aug, 2021

本文主要讨论了量子神经网络（Quantum Neural Networks）在监督学习任务中的不同结构和编码策略，并使用 Julia 语言编写的量子模拟器 Yao.jl 来衡量它们的性能，以方便科学家们开发出强大的变分量子学习模型及相应的实验验证。

Jun, 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

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

本研究提出了两种混合量子 - 经典模型：具有平行量子层的神经网络和具有量子卷积层的神经网络，它们解决了图像分类问题。其中我们提出的混合量子方法在 MNIST 数据集上展现了超过 99% 的准确率。这表明将量子效应应用于传统经典模型可以进一步提高图像识别和分类的能力，并为医疗保健、安全和市场营销等各个领域提供有前途的方法。

Apr, 2023