本文提出了一种混合量子 - 经典卷积神经网络框架（QCCNN），它结合了卷积神经网络的重要特征以及量子计算特有的优势，适用于当前嘈杂的中尺度量子计算机，并通过 Tetris 数据集的分类任务证明了其优越性能。

Nov, 2019

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

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

该研究介绍了一种使用三量子比特相互作用增加网络表达能力和纠缠能力的量子卷积网络，通过对 MNIST、Fashion MNIST 和 Iris 数据集进行二分类和多分类，发现其性能超越了现有的最先进方法。

Jul, 2023

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

该研究探索了量子深度学习模型在解决传统深度学习模型难以处理的具有挑战性的机器学习问题方面的潜力。我们介绍了一种新型模型架构，将经典卷积层与量子神经网络相结合，旨在超越现有最先进的准确性，同时保持紧凑的模型尺寸。该实验对来自 Bird-CLEF 2021 数据集的高维音频数据进行分类，我们的评估重点关注训练持续时间、模型准确性和总模型尺寸等关键指标。这项研究证明了量子机器学习在增强机器学习任务和解决当今实际机器学习挑战方面的潜力。

Dec, 2023

本研究提出一个混合量子经典图卷积网络 (QGCNN) 来处理高能物理数据中的稀疏数据，其在参数数量方面比经典多层感知器和卷积神经网络具有优势，并且在测试准确性方面与量子卷积神经网络相当。同时，研究表明探究图卷积操作和其他量子机器学习模型的应用可能有利于推动高能物理研究和其他科学领域。

Jan, 2021

本研究提出了在量子计算机上实现图神经网络（GNNs）的框架，以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战，通过制定与三种经典 GNNs 对应的量子算法：图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）和消息传递 GNNs（Message-Passing GNNs）。我们对简化的图卷积（SGC）网络的量子实现进行了复杂性分析，结果显示与经典方法相比，我们的量子 SGC 在时间和空间复杂度上具有潜在的优势，能够高效处理大规模图，这为在量子计算机上实现更先进的图神经网络模型铺平了道路，为用于分析图结构数据的量子机器学习开拓了新的可能性。

May, 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