本研究探讨深度卷积网络的归纳偏差，建立了量子物理和深度学习之间的基本联系，通过量子纠缠测量深度网络表达输入相关结构的能力，探索了ConvAC（深度卷积算术电路）的新理论观察，提出了通过深层卷积网络的通道数直接控制归纳偏差的方法。

Apr, 2017

通过构建一个由参数化的量子神经元组成的量子循环神经网络（QRNN），将量子计算与循环神经网络相结合，并通过序列学习和整数数字分类等任务进行了演示性能证明。

Jun, 2020

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

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

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

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

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

该研究介绍了一种使用图神经网络（GNNs）对参数化量子电路（PQCs）的可表达性进行估计的新方法，并通过实验证明了其预测能力和性能。

May, 2024

通过比较深度神经网络（DNNs）和量子神经网络（QNNs）的性能，本研究探讨了量子神经网络的归纳偏置和表达能力，并发现了一个比较结果：无论是具有归纳偏置的限制型QNNs还是具有高表达能力但无归纳偏置的QNNs，它们与DNNs相比要么有表达能力较差要么在泛化性能上处于劣势。

Jul, 2024

该研究解决了将量子算法转换为适合量子计算平台实现的形式这一复杂问题。通过训练神经网络模型来自动合成量子算法的功能，研究表明该模型能够有效生成相应的量子电路，并实现对未见输入的近乎完美映射。此方法可能显著提升量子电路设计的效率和准确性。

Aug, 2024