该论文实现了一个大规模的量子激活循环神经网络，具有超过 3 万亿个硬件节点 /cm²，并通过每个读出通道的 0.07 nW 电功率进行控制。与当前报告的最佳性能水平相比，此实现将网络规模扩大了两个数量级，并将功耗降低了六倍，实现了与人脑相当的功率效率，消耗 0.2 nW / 神经元。该芯片支持比可用技术高三倍的位密度，并具有在 1 cm² 的面积内存储超过 2^1104 个密钥的能力。该量子技术平台有助于应对网络犯罪行业对小到大规模设施的认证侵犯。

Mar, 2024

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

本文研究了使用雷达进行检测和分类问题的混合量子神经网络 (HQNN) 和可比较的经典卷积神经网络 (CNN) 的性能。我们发现，在高信噪比 (SNR) 的情况下，CNN 在检测和分类方面的表现优于 HQNN。然而，在低信噪比范围内，HQNN 的性能优于类似架构的 CNN，这在实践中具有最大的关注度。

Mar, 2024

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

利用混合量子 - 经典计算的量子计算代表着人工智能的前沿，本研究使用多个框架分析 AGILE 的数据以侦测天空图或光曲线中的伽马射线暴，基于 QCNN 的模型在天空图上达到 95.1% 的准确度。

Apr, 2024

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

本文提出了一种终端到终端的人工智能视频安全监控系统，其中融合了计算机视觉分析、统计数据分析、云原生服务以及终端用户应用，该系统能够更好地保护个人隐私，同时对人物识别、错误行为检测等方面具有高效性能和较高的安全性。

Feb, 2023

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

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

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022