计算机科学的关键任务之一是缩短各种数据类型的处理时间，即图像，这对于不同领域至关重要 - 从医学和物流到虚拟购物。与经典计算机相比，量子计算机能够进行并行数据处理，从而减少了数据处理时间。量子计算机的这种质量激发了对量子技术适用于现实生活任务的潜力的深入研究。在较小的输入数据上已经揭示了一些进展。在这项研究工作中，我旨在通过跳过中间测量步骤来减少处理时间的输入数据（我使用图像从2 x 2到8 x 8）。假设是，对于增加的输入数据，每个量子卷积层之后的中间测量步骤的省略将改善输出度量结果并加速数据处理。为了检验假设，我进行了实验，以在每个网络中选择最佳的激活函数及其导数。该假设在输出平方误差（MSE）方面得到了部分证实 - 在经典卷积神经网络（CNN）训练的结果下，该假设从0.25下降到量子卷积神经网络（QCNN）训练的结果。然而，就训练时间而言，在CNN中为1.5分钟，在最小冗长的训练迭代中为4小时37分钟，该假设被拒绝。

最近的工作已经开始探索参数化量子电路（PQC）作为一般函数近似器的潜力。在这项工作中，我们提出了一种量子古典的深网络结构，以提高经典的CNN模型辨别性。卷积层使用线性滤波器来扫描输入数据。此外，我们构建PQC，这是一种更有效的函数近似器，具有更复杂的结构，以捕获接收领域内的特征。通过以与CNN类似的方式将PQC滑过输入来获得特征图。我们还为所提出的模型提供培训算法。我们设计中使用的混合模型通过数值模拟验证。我们展示了MNIST上合理的分类性能，我们将性能与不同的设置中的模型进行比较。结果揭示了具有高表现性的ANSATZ模型实现了更低的成本和更高的准确性。

量子计算是使用量子力学执行计算的过程。该领域研究某些亚杀菌粒子的量子行为，以便随后在执行计算，以及大规模信息处理中使用。这些能力可以在计算时间和经典计算机上的成本方面提供量子计算机的优势。如今，由于计算复杂性或计算所需的时间，具有科学挑战，这是由于古典计算而无法执行，并且量子计算是可能的答案之一。然而，电流量子器件尚未实现必要的QUBITS，并且没有足够的容错才能实现这些目标。尽管如此，还有其他领域，如机器学习或化学，其中量子计算对电流量子器件有用。本手稿旨在展示2017年和2021年之间发布的论文的系统文献综述，以确定，分析和分类量子机器学习和其应用中使用的不同算法。因此，该研究确定了使用量子机器学习技术和算法的52篇文章。发现算法的主要类型是经典机器学习算法的量子实现，例如支持向量机或K最近邻模型，以及古典的深度学习算法，如量子神经网络。许多文章试图解决目前通过古典机器学习回答的问题，但使用量子设备和算法。即使结果很有希望，量子机器学习也远未实现其全部潜力。由于现有量子计算机缺乏足够的质量，速度和比例以允许量子计算来实现其全部潜力，因此需要提高量子硬件。

使用量子卷积神经网络（QCNN）的机器学习在量子和经典数据分类中都取得了成功。在先前的研究中，在少数参数制度中，在相同的训练条件下，QCNN的分类准确性比其经典对应物具有更高的分类精度。但是，由于量子电路的大小有限，因此很难检查大规模量子模型的一般性能，这可以在不久的将来可靠地实施。我们建议转移学习是在嘈杂的中间量子量子时代利用小QCNN的有效策略。在经典到量词转移学习框架中，QCNN可以通过使用预训练的经典卷积神经网络（CNN）来解决复杂的分类问题，而无需大规模量子电路。我们对QCNN模型进行了数值模拟，并在转移学习下对MNIST数据分类进行了各种量子卷积和汇总操作，其中经典的CNN经过了时尚持续数据的培训。结果表明，在相似的训练条件下，从经典到量子CNN的转移学习比纯粹的经典转移学习模型要好得多。

本文旨在研究基于电路的混合量子卷积神经网络（QCNNS）如何在遥感的上下文中成功地在图像分类器中成功使用。通过在标准神经网络内引入量子层来丰富CNN的经典架构。本工作中提出的新型QCNN应用于土地使用和陆地覆盖（LULC）分类，选择为地球观测（EO）用例，并在欧元区数据集上测试用作参考基准。通过证明QCNN性能高于经典对应物，多标量分类的结果证明了所提出的方法的有效性。此外，各种量子电路的研究表明，利用量子纠缠的诸如最佳分类评分。本研究强调了将量子计算应用于EO案例研究的潜在能力，并为期货调查提供了理论和实验背景。

在过去的十年中，机器学习取得了巨大的成功，其应用程序从面部识别到自然语言处理不等。同时，在量子计算领域已经取得了快速的进步，包括开发强大的量子算法和高级量子设备。机器学习与量子物理学之间的相互作用具有将实际应用带给现代社会的有趣潜力。在这里，我们以参数化量子电路的形式关注量子神经网络。我们将主要讨论各种结构和编码量子神经网络的策略，以进行监督学习任务，并利用Yao.jl进行基准测试，这是用朱莉娅语言编写的量子模拟软件包。这些代码是有效的，旨在为科学工作中的初学者提供便利，例如开发强大的变分量子学习模型并协助相应的实验演示。

In recent times, Variational Quantum Circuits (VQC) have been widely adopted to different tasks in machine learning such as Combinatorial Optimization and Supervised Learning. With the growing interest, it is pertinent to study the boundaries of the classical simulation of VQCs to effectively benchmark the algorithms. Classically simulating VQCs can also provide the quantum algorithms with a better initialization reducing the amount of quantum resources needed to train the algorithm. This manuscript proposes an algorithm that compresses the quantum state within a circuit using a tensor ring representation which allows for the implementation of VQC based algorithms on a classical simulator at a fraction of the usual storage and computational complexity. Using the tensor ring approximation of the input quantum state, we propose a method that applies the parametrized unitary operations while retaining the low-rank structure of the tensor ring corresponding to the transformed quantum state, providing an exponential improvement of storage and computational time in the number of qubits and layers. This approximation is used to implement the tensor ring VQC for the task of supervised learning on Iris and MNIST datasets to demonstrate the comparable performance as that of the implementations from classical simulator using Matrix Product States.

Quantum机器学习目前正在受到极大的关注，但是与实用应用的经典机器学习技术相比，其有用性尚不清楚。但是，有迹象表明，某些量子机学习算法可能会提高其经典同行的培训能力 - 在很少有培训数据的情况下，这在情况下可能特别有益。这种情况自然出现在医学分类任务中。在本文中，提出了不同的杂种量子卷积神经网络（QCCNN），提出了不同的量子电路设计和编码技术。它们应用于二维医学成像数据，例如在计算机断层扫描中具有不同的，潜在的恶性病变。这些QCCNN的性能已经与它们的经典同行之一相似，因此鼓励进一步研究将这些算法应用于医学成像任务的方向。

在过去的十年中，机器学习彻底改变了基于视力的质量评估，卷积神经网络（CNN）现在已成为标准。在本文中，我们考虑了该开发中的潜在下一步，并描述了有效地将经典图像数据映射到量子状态并允许可靠的图像分析的Quanvolutional神经网络（QNN）算法。我们实际上演示了如何在计算机视觉中利用量子设备以及如何将量子卷积引入古典CNN中。在处理工业质量控制中的现实世界用例时，我们在Pennylane框架内实施了混合QNN模型，并从经验上观察它，可以使用比经典CNN更少的培训数据实现更好的预测。换句话说，我们从经验上观察到真正的量子优势，对于由于卓越的数据编码而引起的工业应用。

预计人工神经网络的领域将强烈受益于量子计算机的最新发展。特别是Quantum Machine Learning，一类利用用于创建可训练神经网络的Qubits的量子算法，将提供更多的力量来解决模式识别，聚类和机器学习等问题。前馈神经网络的构建块由连接到输出神经元的一层神经元组成，该输出神经元根据任意激活函数被激活。相应的学习算法以Rosenblatt Perceptron的名义。具有特定激活功能的量子感知是已知的，但仍然缺乏在量子计算机上实现任意激活功能的一般方法。在这里，我们用量子算法填充这个间隙，该算法能够将任何分析激活功能近似于其功率系列的任何给定顺序。与以前的提案不同，提供不可逆转的测量和简化的激活功能，我们展示了如何将任何分析功能近似于任何所需的准确性，而无需测量编码信息的状态。由于这种结构的一般性，任何前锋神经网络都可以根据Hornik定理获取通用近似性质。我们的结果重新纳入栅极型量子计算机体系结构中的人工神经网络科学。

Hybrid quantum-classical systems make it possible to utilize existing quantum computers to their fullest extent. Within this framework, parameterized quantum circuits can be regarded as machine learning models with remarkable expressive power. This Review presents the components of these models and discusses their application to a variety of data-driven tasks, such as supervised learning and generative modeling. With an increasing number of experimental demonstrations carried out on actual quantum hardware and with software being actively developed, this rapidly growing field is poised to have a broad spectrum of real-world applications.

我们设计和分析了量子变压器，扩展了最先进的经典变压器神经网络体系结构，已知在自然语言处理和图像分析中表现出色。在先前用于数据加载和正交神经层的参数化量子电路的工作的基础上，我们引入了三种量子注意机制，包括基于复合矩阵的量子变压器。这些量子体系结构可以使用浅量子电路构建，并可以提供定性不同的分类模型。与最佳的经典变压器和其他经典基准相比，我们对标准医疗图像数据集进行了量子变压器的广泛模拟，这些量子变压器表现出竞争力，有时表现更好。与经典算法相对于分类图像的大小，我们的量子注意层的计算复杂性被证明是有利的。与拥有数百万参数的最佳经典方法相比，我们的量子体系结构具有数千个参数。最后，我们在超导量子计算机上实施了量子变压器，并获得了多达六个量子实验的令人鼓舞的结果。

在这项工作中，我们提供了一个量子Hopfield关联内存（QHAM），并使用IBM量子体验展示其在仿真和硬件中的能力。 QHAM基于量子神经元设计，可以用于许多不同的机器学习应用，并且可以在真实量子硬件上实现，而不需要中间电路测量或重置操作。我们通过使用硬件噪声模型以及15 QUBIT IBMQ_16_MELBOURBORNE设备的模拟来分析神经元和全QHAM的准确性。量子神经元和QHAM被证明是有弹性的噪声，并且需要低Qubit开销和栅极复杂性。我们通过测试其有效的内存容量来基准QHAM，并在Quantum硬件的NISQ-ERA中展示其能力。该演示在NISQ-ERA量子硬件中实现的第一功能QHAM是在量子计算前沿的机器学习的重要步骤。

随着嘈杂的中间量子量子（NISQ）时代的开始，量子神经网络（QNN）最近已成为解决经典神经网络无法解决的问题的解决方案。此外，QCNN吸引了作为下一代QNN的注意力，因为它可以处理高维矢量输入。但是，由于量子计算的性质，经典QCNN很难提取足够数量的功能。在此激励的情况下，我们提出了一种新版本的QCNN，称为可伸缩量子卷积神经网络（SQCNN）。此外，使用QC的保真度，我们提出了一种名为ReverseDelity Trainity（RF-Train）的SQCNN培训算法，可最大程度地提高SQCNN的性能。

在量子计算中，变分量子算法（VQAS）非常适合于在从化学中寻找特定应用中的物品的最佳组合一切融资。具有梯度下降优化算法的VQA的训练显示出良好的收敛性。在早期阶段，在嘈杂的中间级量子（NISQ）器件上的变分量子电路的模拟遭受了嘈杂的输出。就像古典深度学习一样，它也遭受了消失的渐变问题。研究损失景观的拓扑结构是一种逼真的目标，以在消失梯度存在的存在下可视化这些电路的曲率信息和可训练。在本文中，我们计算了Hessian，并在参数空间中的不同点处可视化变分量子分类器的损失景观。解释变分量子分类器（VQC）的曲率信息，并显示了损耗函数的收敛。它有助于我们更好地了解变形量子电路的行为，以有效地解决优化问题。我们通过Hessian在量子计算机上调查了变形量子分类器，从一个简单的4位奇偶校验问题开始，以获得对黑森州的实际行为的洞察力，然后彻底分析了Hessian的特征值对培训糖尿病数据集的变分量子分类器的行为。最后，我们展示了自适应Hessian学习率如何在训练变分电路时影响收敛。

在通过梯度下降训练过度参数化的模型函数时，有时参数不会显着变化，并且保持接近其初始值。该现象称为懒惰训练，并激发了对模型函数围绕初始参数的线性近似的考虑。在懒惰的制度中，这种线性近似模仿了参数化函数的行为，其相关内核称为切线内核，指定了模型的训练性能。众所周知，在宽度较大的（经典）神经网络的情况下进行懒惰训练。在本文中，我们表明，几何局部参数化量子电路的训练进入了大量Qubits的懒惰制度。更准确地说，我们证明了这种几何局部参数化量子电路的变化速率，以及相关量子模型函数的线性近似的精确度；随着Qubits的数量的增加，这两个边界都趋于零。我们通过数值模拟支持我们的分析结果。

随着人工智能和自动驾驶技术的快速发展，对半导体的需求预计将大大增加。但是，半导体制造和新技术的开发的大量扩展将带来许多缺陷晶片。如果这些缺陷晶片尚未正确检查，则对这些缺陷晶片的无效半导体处理将对我们的环境产生额外影响，例如二氧化碳的发射过量和能源消耗。在本文中，我们利用量子计算的信息处理优势来促进缺陷学习缺陷审查（DLDR）。我们提出了一种经典的量子混合算法，用于近期量子处理器的深度学习。通过调整在其上实现的参数，由我们的框架驱动的量子电路学习给定的DLDR任务，包括晶圆缺陷地图分类，缺陷模式分类和热点检测。此外，我们探索具有不同表达能力和纠缠能力的参数化量子电路。这些结果可用于构建未来的路线图，以开发基于电路的量子深度学习，以进行半导体缺陷检测。

随着实际量子计算机中的量子位数（QUBits）的数量恒定增加，实现和加速量子计算机上的普遍深入学习正在成为可能。随着这种趋势，基于量子神经元的不同设计出现了量子神经结构。 Quantum深度学习中的一个基本问题出现：什么是最好的量子神经结构？灵感来自古典计算的神经结构设计，该古典计算通常采用多种类型的神经元，本文首次尝试混合量子神经元设计来构建量子神经结构。我们观察到现有的量子神经元设计可能是完全不同但互补的，例如来自变分量子电路（VQC）和量子流的神经元。更具体地说，VQC可以应用真实值的权重，但遭受扩展到多个层，而量子流可以有效地构建多层网络，但仅限于使用二进制权重。要采取各自的优势，我们建议将它们混合在一起并弄清楚无缝连接的方法，而无需额外的昂贵测量。我们进一步研究了混合量子神经元的设计原理，这可以为未来提供量子神经结构勘探的指导。实验结果表明，具有混合量子神经元的鉴定的量子神经结构可以在MNIST数据集中达到90.62％的准确性，而VQC和量子流量分别比为52.77％和69.92％。

深度学习是当今机器学习中最成功和最深远的策略之一。然而，神经网络的规模和效用仍然受到用于训练它们的当前硬件的极大限制。随着常规电脑快速接近将在未来几年的情况下，常规计算机迅速接近物理限制，这些问题越来越紧。由于这些原因，科学家们已经开始探索替代计算平台，如量子计算机，用于训练神经网络。近年来，变分量子电路已成为在嘈杂的中间秤量子器件上量子深度学习的最成功的方法之一。我们提出了一种混合量子古典神经网络架构，其中每个神经元是变形量子电路。我们使用模拟通用量子计算机和艺术通用量子计算机的状态来统一地分析该混合神经网络对一系列二元分类数据集的性能。在模拟硬件上，我们观察到混合神经网络的分类精度高出10％，比各个变分量子电路更好地最小化了20％。在Quantum硬件上，我们观察到每个模型仅在Qubit和栅极计数足够小时执行良好。

我们提出了一种新的混合系统，用于通过使用多目标遗传算法在灰度图像上自动生成和训练量子启发的分类器。我们定义一个动态健身函数，以获得最小的电路和最高的观点数据准确性，以确保所提出的技术是可推广且健壮的。我们通过惩罚其外观来最大程度地减少生成电路的复杂性。我们使用二维降低方法减少图像的大小：主成分分析（PCA），该分析（PCA）是为了优化目的而在个体中编码的，以及一个小的卷积自动编码器（CAE）。将这两种方法相互比较，并采用经典的非线性方法来理解其行为，并确保分类能力是由于量子电路而不是用于降低维度的预处理技术引起的。