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

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

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

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

在本文中，通过在三个常用数据集上测试损失和预测准确率，实现和比较了传统卷积神经网络（CNNs）和量子卷积神经网络（QCNNs），并将常用于 CNNs 的数据增强技术应用于 QCNNs，结果表明数据增强并未提高 QCNNs 的性能，讨论了这一结果背后的原因和逻辑，以期拓展对于量子机器学习理论的理解。

Dec, 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

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

本文提供了一种 Quantum Convolutional Neural Network (QCNN) 体系结构设计的新方法，使用 Neural Architecture Search (NAS) 技术生成一系列常用的 QCNN 体系结构，并在音乐类型分类数据集上进行了评估，为 NAS 提供了 QCNN 搜索空间设计的框架，最后实现该框架作为开源的 Python 包。

Oct, 2022