- 深度量子神经网络中梯度测量效率与表达能力的权衡
量子神经网络（QNNs）需要一种高效的训练算法以实现实际的量子优势。我们提出了一种通用的权衡关系，即高测量效率会导致较低的表达能力，而减少 QNN 的表达能力可以提高梯度测量效率，同时提出了一种称为稳定 - 逻辑乘积 ansatz 的 QN - ICML量子隐式神经表示
我们提出了一种新颖的量子广义傅立叶神经网络（QIREN），其通过理论分析证明了比经典的傅立叶神经网络具有量子优势，并通过信号表示、图像超分辨率和图像生成任务的实验证明了 QIREN 相对于最先进模型的卓越性能。我们的工作不仅将量子优势融入了 - STIQ: 保护量子神经网络的训练和推理免受不可信云的威胁
该研究论文介绍了一种新颖的基于集成的策略，名为 STIQ，用于在云环境中保护 Quantum Neural Networks（QNNs）的安全性，通过同时训练两个不同的 QNNs，并对它们的输出进行混淆，从而有效地掩盖了单个模型的准确度和损 - 多尺度特征融合量子深度卷积神经网络用于文本分类
提出了一种基于量子卷积的全新量子神经网络模型，该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能，并通过实验证明其在文本分类任务上优于现有量子神经网络模型，同时在使用更少参数的情况下提高了测试精度。
- 量子神经网络解决电力系统暂态仿真问题
本研究旨在应用量子计算技术解决电力系统仿真问题，通过引入两种新型量子神经网络（Sinusoidal-Friendly QNN 和 Polynomial-Friendly QNN）来优化解决微分代数方程的传统模拟技术，并成功地在两个小型电力系 - Qiskit-Torch-Module：快速原型制作量子神经网络
量子计算机仿真软件关键研究领域：qiskit-torch-module 在提高运行效率、低开销与 PyTorch 集成方面较其他库提升两个数量级；适用于单机计算系统的高级工具，便于量子神经网络的整合。
- JustQ: 公平准确量子神经网络的自动部署
这项研究针对量子神经网络（QNN）在决策系统中的成功，发现其公平性问题，并强调了 QNN 的部署和量子噪声对准确性和公平性的重大影响。为了有效地探索广阔的 QNN 部署设计空间，我们提出了 JustQ 框架，在 NISQ 计算机上部署公平准 - 量子泄漏：从基于云的 NISQ 设备中窃取量子神经网络
介绍了 QuantumLeak，一种从基于云计算的 NISQ 机器中提取 QNN 模型的有效准确的技术，相比现有的经典模型窃取技术，QuantumLeak 在各种数据集和 VQC 架构上提高了 4.99%~7.35% 的本地 VQC 准确度 - AutoHLS: 学习加速高层次综合设计的设计空间探索
AutoHLS 是一种将深度神经网络（DNN）与贝叶斯优化（BO）相结合的新型框架，用于加速高级综合（HLS）硬件设计优化，通过整合 DNNs 来预测在给定 FPGA 资源预算内的可合成性，实验证明其在探索时间上可达到 70 倍的加速。
- 量子神经网络频谱的谱不变性与极大性质
量子神经网络（QNN）是量子机器学习中一种流行的方法，与变分量子电路紧密关联，可被用于嘈杂中尺度量子（NISQ）设备上的实际应用。我们分析了 QNN 的频谱，并证明了其在大范围模型中的最大性结果。此外，我们证明了在一些温和条件下，存在着保持 - 经过训练的量子神经网络是高斯过程
我们研究了使用参数化单量子比特门和固定双量子比特门构建的量子神经网络，研究表明在无限宽度限制下，随机初始化参数的未训练网络生成的函数的概率分布收敛于高斯过程。通过梯度下降法对网络进行训练时，网络可以完美拟合训练集，并且训练后生成的函数概率分 - 量子神经网络与集成学习抑制平台效应和代价函数集中
通过采用集成学习的方法，本研究提出了一种创新的量子神经网络构建方法，解决了梯度消失和代价函数集中的问题，在分类问题的背景下，与传统构建的量子神经网络进行了对比分析，展示了我们创新方法的潜在优势。
- MM相干前馈量子神经网络
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 - 通过分块特征编码实现分布式量子神经网络
通过将特征分布在多个小型量子神经网络并利用其期望值的集成生成预测，我们的研究表明分布式量子神经网络是与近期量子设备兼容的实用量子机器学习算法的有希望的方向，其不仅对大型数据集实现高准确率的预测，而且还降低了每个量子神经网络的硬件需求。
- $\mathbb {Z}_2\times \mathbb {Z}_2$ 量子神经网络：与经典神经网络的基准测试
该研究通过对比分析了等变量量子神经网络（EQNN）和量子神经网络（QNN）与它们的经典对应物等变量神经网络（ENN）和深度神经网络（DNN）的性能，在模型复杂度和训练数据集的大小方面，通过两个玩具示例的二分类任务对每个网络的性能进行了评估。 - MM大深度量子神经网络中的动力学相变
量子神经网络的训练动力学可以用广义的 Lotka-Volterra 方程描述，导致了一个动力学相变。当代价函数的目标值从上方穿过最小可达值到下方时，动力学从冻结核相位变为冻结误差相位，显示了量子神经正切核和总误差之间的二元性。在两个相位中， - 评估噪声对量子神经网络的影响：实验分析
该研究对噪声对量子神经网络的影响进行了全面分析，研究了 Mottonen 状态准备算法在各种噪声模型下的表现，并研究了量子状态在多层量子神经网络中的退化。此外，该论文评估了噪声对预训练量子神经网络性能的影响，并强调了噪声模型在量子计算中所带 - 经典和量子机器学习的桥梁：通过知识蒸馏从经典到量子神经网络的知识转移
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。
- 对称不变的量子机器学习力场
运用机器学习技术设计了量子神经网络，该网络明确地结合了大量具有物理相关性的对称性，以预测原子势能和原子力的潜在能量表面。研究结果表明，凭借几何量子机器学习框架，分子力场的生成可以从中获益，并且化学系统对于发展和应用先进量子机器学习工具具有丰 - 关于图像中 $p4m$ 对称性的近似等变量量子神经网络
这项研究提出了与平面 $p4m$ 对称性相等的量子卷积神经网络（EquivQCNNs），用于图像分类，并在不同的用例中进行测试，证明了等变性促进了模型更好的泛化能力。