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

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

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

本研究提出了一种新的量子神经网络模型，使用实际存在的环境诱导的退相干的量子系统上的(经典控制的)单量子比特操作和测量，从而极大地降低了物理实现的难度。该模型在手写数字识别和其他非线性分类任务中具有优异的非线性分类能力和对噪声的鲁棒性。

May, 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

该论文介绍了一种新的方法，通过知识蒸馏从经典神经网络向量子神经网络传递知识，有效地弥合了经典机器学习和新兴量子计算技术之间的鸿沟，为量子机器学习的未来研究铺平了道路。

Nov, 2023

Quantum Neural Network (QNN) systems face challenges in testing due to their differences from classical DL systems, therefore this paper proposes QuanTest, a quantum entanglement-guided adversarial testing framework to uncover potential erroneous behaviors in QNN systems.

Feb, 2024

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

基于参数化量子电路的量子机器学习模型，即量子神经网络(QNNs)，被认为是最有前景的应用于近期量子设备的候选方案之一。通过利用从输入x到作用于x⨂x(广义到复数输入)的经典感知器的精确映射，我们探究了QNNs的表达能力和归纳偏差。

Jul, 2024

本研究针对量子神经网络设计中的挑战，提出了一种逐步替换经典神经网络层为量子层的框架，以保持层间信息流不变。通过在图像分类数据集上的实验，验证了量子组件引入对性能的影响，为未来量子神经网络模型的设计提供了新的视角，有助于结合经典与量子世界的优势。

Sep, 2024