- QuanTest: 量子神经网络系统的纠缠引导测试
Quantum Neural Network (QNN) systems face challenges in testing due to their differences from classical DL systems, ther - 高维数据分类中的混合量子神经网络
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-CLE - 利用单个电路计算量子神经网络对所有参数的梯度
本文提出了一种仅需一个量子电路就能计算量子神经网络梯度的方法，该方法减少了电路深度和经典寄存器数量，同时解决了解决原方法中参数数量较多时所面临的电路调整和重复运行的问题，并在实验中展示了快速编译的优势和缩短总运行时间的速度提升。
- 量子神经网络用于量子神经计算
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。
- 高效优化和可解释的量子神经网络
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 - 可扩展的量子卷积神经网络
提出一种新型的可伸缩量子卷积神经网络 (sQCNN)，并提供了一种名为反保真度训练 (RF-Train) 的训练算法用于提高 sQCNN 的性能。该网络为量子神经网络 (QNN) 的一种进化，拥有处理高维向量输入的能力，并且可以解决传统 Q - 基于变分量子电路的函数回归理论误差性能分析
本文提出了一种端到端的量子神经网络 TTN-VQC，结合了张量列车网络和变分量子电路，进行降维和多功能回归，对其表示和概括能力进行了误差性能分析，证实了在手写数字分类数据集上进行功能回归的实验结果。
- 量子图卷积神经网络
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。
- 关于量子神经网络的可学习性
本文研究使用变分混合量子 - 经典方案构建的量子神经网络（QNN）的可学习性，我们得出了它对经验风险最小化的效用边界，证明了它可以作为一个差分私有模型来对待，并展示了使用 QNN 可以对某些任务进行运行加速的量子统计查询（QSQ）模型的有效 - 使用噪声量子神经网络进行量子态区分
本篇研究探究了 QNN 在噪声量较高的量子计算机上进行状态辨别的效果，通过引入新的电路技术，并在当前的量子硬件噪声水平下对其进行验证，发现其在较高噪声水平下仍能收敛于有用的参数并用于量子生成对抗网络的分类器。
- MM量子神经网络和软量子计算
提出了一种新的量子计算方法，称为软量子计算，利用真实的量子系统和自然环境引起的相干和耗散来开展非经典计算。作为软量子计算的一个具体示例，我们建议使用 “受控 Kraus 操作” 通过成对连接神经元，希望为量子人工智能甚至更好地理解人脑的某些 - 基于量子计算的神经网络基准测试
研究利用机器学习技术开发量子计算算法的一种新思路，通过对比标准实值和复值经典神经网络与量子神经网络性能的实验表明，量子神经网络能够用更少的反向传播次数和更小的网络模型获得相媲美甚至更好的结果。
- 近期处理器上的量子神经网络分类
我们介绍了一个可以通过监督学习表示带有标签的数据（经典或量子）并进行训练的量子神经网络。该网络由一系列参数相关的酉变换组成，作用于输入的量子态，可以进行二元分类。我们展示了如何对经典数据集进行分类，并使用实际数据集的例子展示了该网络的应用。
- 追寻量子神经网络
本文提出了一种系统方法，对量子神经网络的研究进行了综述和总结，旨在将量子计算与神经计算的突出特性相结合，但是目前为止并没有一个潜在的 QNN 模型能够完全利用量子物理和计算在神经网络中的优势，未来的发展方向可能是基于耗散量子计算的开放量子神