Simulation of a Variational Quantum Perceptron using Grover's Algorithm
Hassan II University of Casablanca（卡萨布兰卡哈桑二世大学）；University Mohammed V-Agdal（穆罕默德五世-阿格达尔大学）
本研究结合量子变分线路与Grover算法提出新型量子变分感知器QVP-G，经分类任务对比实验验证，其性能优于量子变分感知器QVP与经典感知器，拓展了Grover算法的应用场景。
2023-05-18 cs.AI cs.LG quant-ph
Realization of a quantum perceptron gate with trapped ions
我们报道了在离子阱量子计算机中实现感知器量子门。在这个方案中，感知器的目标量子位根据与几个量子位的相互作用来改变其状态。目标量子位显示出可调的S形开关行为，当与其他percetron嵌套时，成为通用近似器。该过程包括施加到目标量子位的修整场的绝热斜降。我们还使用两个连续的感知器量子门来实现XNOR门，其中感知器量子位仅在两个输入量子位的奇偶性为偶数时才改变其状态。其适用性可以推广到高维门以及感知器观测量的任意有界连续函数的重建。
2021-11-17 quant-ph
Efficient learning algorithm for quantum perceptron unitary weights
在过去的二十年里，研究人员试图通过结合量子计算和神经计算的优点来创建量子神经网络（QNN）。为了利用这两个多产领域的优势，QNN必须满足整合量子计算的幺正动力学和神经计算的耗散动力学的非平凡任务。量子计算和神经计算的核心分别是量子比特和感知器。我们看到，过去量子感知器模型的实现未能将两者完美融合。这是由于缓慢的学习规则和忽视统一的要求。在本文中，我们提出了一个量子感知器，可以计算功能不可计算的经典感知器，同时解析求解参数和保持统一和耗散的要求。
2015-12-14 quant-ph
A Derivative-free Method for Quantum Perceptron Training in Multi-layered Neural Networks
Deakin University（迪肯大学）
本文提出了一种基于量子感知器的无梯度多层神经网络训练方法。在这里，我们从经典感知器和量子比特（即量子比特）上的基本操作出发，以便根据量子感知器来制定问题。然后，我们利用可测量的运营商，以符合马尔可夫过程的方式来定义网络的状态。这产生了与量子力学一致的狄拉克-冯·诺依曼公式。此外，这里提出的公式具有计算效率不受网络层数影响的优点。这与量子计算的自然效率相结合，可能意味着效率的显著提高，特别是对于深度网络。最后，但并非最不重要的是，这里的发展在本质上是相当普遍的，因为这里提出的方法也可以用于在传统计算机上实现的量子启发神经网络。
2020-09-23 cs.AI cs.LG quant-ph
Pattern capacity of a single quantum perceptron
量子机器学习的最新发展已经引入了几种模型来将经典感知器推广到量子领域。需要精确地确定这些量子模型的能力，以确定是否可以实现量子优势。在这里，我们使用统计物理的方法来计算一个特定的模型的量子感知器实现的连续变量量子系统的模式容量。
2021-12-27 cond-mat.dis-nn quant-ph
Implementing An Artificial Quantum Perceptron
SAP AI（思爱普人工智能）；Indiana University（印第安纳大学）
本文对比两种不同机制的感知机，实现了其中一种的量子版本，构建量子线路并完成数据集生成与训练模拟，验证其指数增长优势与模式分类能力，同时为脉冲依赖型量子感知机的设计模拟提供思路。
2025-03-24 cs.AI quant-ph
Development of Quantum Circuits for Perceptron Neural Network Training, Based on the Principles of Grover's Algorithm
本文重点介绍了一个实际的研究的可能性，形成量子线路训练神经网络。演示的量子线路是基于Grover搜索算法的原理。感知器被选为示例神经网络的架构。多层感知器是一种流行的神经网络架构，由于其可扩展性和适用性，以解决广泛的问题。
2021-10-15 cs.ET quant-ph
Storage properties of a quantum perceptron
随着计算能力和算法的发展，机器学习方法已经成为分析大量数据的宝贵工具。与此同时，量子信息处理的快速技术进步建议将量子硬件用于机器学习目的。最近的工作讨论了量子感知器的不同架构，但这种量子设备的能力仍然存在争议。在这里，我们调查的存储容量的一个特定的量子感知器架构，通过使用统计力学技术和连接我们的分析，以经典的自旋玻璃理论。我们专注于一个特定的量子感知器模型，并探讨其存储特性的限制下，大量的输入。最后，我们评论使用统计物理技术的神经网络的进一步研究。
2022-12-17 cond-mat.dis-nn quant-ph
A Quantum Model for Multilayer Perceptron
多层感知器是最常用的一类前馈人工神经网络。它包含了许多不同领域的应用，如语音识别，图像识别和机器翻译软件。为了适应量子机器学习的快速发展，本文提出了一种新的模型来研究量子计算机中的多层感知器。这包含准备每层中输出信号的量子态以及建立关于每层中的权重的学习算法的量子版本的任务。我们将证明，相应的量子版本可以实现至少二次加速比，甚至指数加速比的经典算法。这为我们研究多层感知器及其在量子计算机机器学习中的应用提供了一种有效的方法。最后，作为启发，提出了Hopfield网络的指数快速学习算法（基于Hebb学习规则）。
2018-09-08 quant-ph
Unitary quantum perceptron as efficient universal approximator
我们证明，这是可能的实现一个量子感知器与S形激活函数作为一个有效的，可逆的多体酉操作。当插入神经网络时，感知器的响应由其他神经元施加的电势参数化。我们证明了这样的量子神经网络是连续函数的通用逼近器，至少具有与经典神经网络相同的能力。虽然工程一般感知器是一个具有挑战性的控制问题-也在这项工作中定义-，无处不在的S形响应神经元可以实现为一个准绝热通道与伊辛模型。在这种构造中，资源的缩放相对于总网络大小是有利的，并且由层数决定。我们希望我们的S形感知器也将在量子传感或多体哈密顿量的变分估计中有应用。
2019-03-19 quant-ph
Autonomous Perceptron Neural Network Inspired from Quantum computing
本摘要将在纠正方程式中的小错误后进行修改。（二）
2016-02-08 cs.NE quant-ph
Evaluating the performance of sigmoid quantum perceptrons in quantum neural networks
量子神经网络（QNN）已被提出作为一个有前途的量子机器学习的体系结构。有许多不同的量子线路设计被称为QNN，但是没有明确的候选者比其他人更合适。相反，对“量子感知器”--QNN的基本组成部分--的研究仍在进行中。一个候选者是量子感知器，旨在模拟经典感知器的非线性激活函数。这种S形量子感知器（SQP）继承了泛逼近性质，该性质保证经典神经网络可以逼近任何函数。然而，这并不能保证从SQP构建的QNN将比它们的经典对应物具有任何量子优势。在这里，我们通过计算SQP网络的有效维度和有效容量，以及检查它们在实际学习问题上的性能，来批判性地研究SQP网络的能力和性能。将结果与其他缺乏激活函数的候选网络进行比较。结果发现，更简单的，显然是更容易实现的参数量子线路实际上比SQP更好。这表明作为经典神经网络理论基石的泛逼近定理并不是QNN的相关准则。
2022-08-12 quant-ph
Continuous Variable Quantum Perceptron
我们提出了一个模型的连续变量量子感知器（CVQP）的架构实现了一个经典的感知器。通过测量输出量子比特并将测量结果用作激活函数的输入来获得必要的非线性。后者被选为所谓的ReLu激活函数，因为它的实际可行性和它在学习任务中提供的优势。将经典数据编码成实际的纠缠压缩态，并将叠加（纠缠）输入态用于特定的二元问题。
2019-12-02 quant-ph
Training Multilayer Perceptrons by Sampling with Quantum Annealers
The University of Adelaide（阿德莱德大学）
量子退火在机器学习中的一个成功应用是训练受限玻尔兹曼机（RBM）。然而，许多用于视觉应用的神经网络是前馈结构，例如多层感知器（MLP）。反向传播是目前训练用于监督学习的MLP的最有效的技术。本文旨在通过探索使用量子退火器训练MLP来进行前瞻性研究。我们利用MLP和基于能量的模型（EBM），这是一个变化的RBM与最大条件似然目标之间的等价性。这导致了一种策略，训练MLP与量子退火作为采样引擎。我们证明了我们的设置与sigmoid激活函数和一个隐藏层的MLP，并展示了训练的二进制图像分类器的小子集的MNIST和时尚MNIST数据集使用的D波量子退火。虽然问题的大小是可行的，目前的退火炉是有限的，我们得到了全面的结果，验证我们的想法可行的情况下。我们的工作确立了量子计算在训练MLP方面的潜力。
2023-03-22 cs.LG quant-ph
Quantum perceptron over a field and neural network architecture selection in a quantum computer
在这项工作中，我们提出了一个量子神经网络命名为量子感知器域（QPF）。量子计算机还没有成为现实，在这项工作中提出的模型和算法不能在实际（或经典）计算机中模拟。QPF是经典感知器的直接推广，解决了以前量子感知器模型中的一些缺点。我们还提出了一个学习算法，名为叠加的架构学习算法（SAL），优化神经网络的权重和架构。SAL在有限的神经网络架构集合中搜索最佳架构，其线性时间超过训练集中模式的数量。SAL是第一个在多项式时间内确定神经网络结构的学习算法。这种加速是通过使用量子并行性和非线性量子算子获得的。
2016-01-29 cs.NE quant-ph
Teacher-student learning for a binary perceptron with quantum fluctuations
我们使用复制方法分析了具有量子涨落的二元感知器的泛化性能。指数数量的局部最小值占主导地位的二进制感知器的能量景观。局部搜索算法往往不能识别二进制感知器的基态。在这项研究中，我们考虑了师生学习方法，并计算了量子涨落的二进制感知器的泛化误差。由于量子涨落，我们可以有效地找到鲁棒的解决方案，具有更好的泛化性能比经典模型。我们通过量子蒙特卡罗模拟验证了我们的理论结果。我们采用了副本对称性（RS）假设和静态近似。RS解与我们的模拟结果是一致的，除了相对较低的横向场强度和高的方向图比。这些偏差是由于违反遍历性和静态近似而引起的。考虑到RS解和数值结果之间的偏差，量子涨落对泛化性能的增强是成立的。
2021-04-22 cond-mat.dis-nn quant-ph
Exploring Quantum Perceptron and Quantum Neural Network structures with a teacher-student scheme
近期量子设备可用于构建量子机器学习模型，例如量子核方法和量子神经网络（QNN）来执行分类任务。如何将变分量子线路用作量子感知器或量子神经网络已经有许多建议。这项工作的目的是系统地比较不同的QNN架构，并评估他们的相对表达能力与师生计划。具体来说，教师模型生成将随机输入映射到输出的数据集，然后学生模型必须学习这些数据集。通过这种方式，我们避免了在任意数据集上进行训练，并允许直接通过损失，预测图，准确性和预测图之间的相对熵来比较不同模型的学习能力。我们特别关注的量子感知器模型的启发，最近的工作Tacchino等。\cite{Tacchino1}，并将其与最初由Pérez-Salinas et. \cite{data_re-uploading} .我们讨论了感知器模型的改变和深度QNN的形成，以更好地理解隐藏单元和非线性在这些架构中的作用。
2021-11-25 quant-ph
Implementing perceptron models with qubits
提出基于密度矩阵交叉熵的量子感知机概率模型，采用量子对数似然进行训练，能更好处理数据噪声并利用纠缠量子比特学习如XOR等非线性边界。
2019-08-22 quant-ph
Direct implementation of a perceptron in superconducting circuit quantum hardware
经典神经网络作为通用逼近器的实用性表明，它们的量子类似物可以在机器学习方法的量子推广中发挥重要作用。受[Torrontegui and García-Ripoll 2019 EPL 125 30004]中的提议的启发，我们展示了绝热控制门的超导量子比特实现，它将经典感知器的作用概括为量子神经网络的基本构建块。我们通过调整绝热门长度、量子位之间的耦合和所施加驱动的频率，分别显示了对感知器激活函数的陡度、输入权重和偏置的完全控制。在其一般形式中，门在单个步骤中实现多量子比特纠缠操作，其分解为单量子比特门和双量子比特门将需要量子比特数量呈指数级的多个门。因此，当与合适的附加标准门结合时，它在量子硬件中作为感知器的直接实现可能会导致更强大的量子神经网络。
2021-11-24 quant-ph
Quantum Privacy-Preserving Perceptron
University of Technology Sydney（悉尼科技大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Tsinghua University（清华大学）
随着机器学习的广泛应用，训练样本中的隐私或敏感数据问题变得越来越严重：在训练过程中，个人信息或习惯可能会泄露给意想不到的人或组织，这可能会导致严重的隐私问题甚至经济损失。在本文中，我们提出了一个量子隐私保护算法的机器学习与感知器。保护原始训练样本主要有两个步骤。首先，在对当前分类器进行检验时，采用量子测试来检测数据使用者可能的不诚实行为。其次，在更新当前分类器时，使用私有随机噪声来保护原始数据。该算法的优点是：（1）它比已知的经典方法更好地保护训练样本;（2）它不需要量子数据库，因此易于实现。
2017-07-31 cs.CR cs.LG quant-ph
Quantum Circuit Design for Training Perceptron Models
感知器模型是机器学习中一种基本的线性分类器，也是人工神经网络的基本组成部分。最近，Wiebe等人（arXiv：1602.04799）提出，使用Grover搜索和量子计算机可以以二次方的速度训练感知器，这具有潜在的重要大数据应用。在本文中，我们设计了一个量子线路来实现这个算法。Grover oracle是电路的核心部分，它是通过基于量子傅立叶变换的算法实现的，该算法指定输入权重向量是否可以正确地分类所有训练数据样本。我们还分析了该算法所需的量子比特数和通用门数，以及采用均匀采样的成功概率，表明它比球形高斯分布$N(0,1)$具有更高的成功概率。通过使用IBM-Q云量子计算机的测试示例证明了电路的可行性，其中使用16个量子比特来分类4个数据样本。
2018-03-16 quant-ph
Quantum Approximate Optimization Algorithm applied to the binary perceptron
SISSA（国际高等研究学院）；Universität Innsbruck（因斯布鲁克大学）；Bocconi University（博科尼大学）；International Centre for Theoretical Physics (ICTP)（国际理论物理中心）；CNR-IOM, Consiglio Nazionale delle Ricerche - Istituto Officina dei Materiali（意大利国家研究委员会-材料研究所）
我们将数字化量子退火（QA）和量子近似优化算法（QAOA）应用于人工神经网络中监督学习的一个典型任务：二进制感知器的突触权重的优化。与通常的QAOA应用于MaxCut或量子自旋链基态制备不同，经典哈密顿量的特征在于高度非局域的多自旋相互作用。然而，我们提供了证据的QAOA参数，这是相同问题的典型实例之间转移的最佳光滑解决方案的存在，我们证明了数值上的QAOA比传统QA的增强性能。我们还调查了QAOA优化景观几何在这个问题中的作用，表明QA中遇到的间隙关闭过渡的不利影响也对我们实施QAOA的性能产生负面影响。
2021-12-19 cond-mat.dis-nn cs.LG quant-ph
Trainability of Dissipative Perceptron-Based Quantum Neural Networks
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Louisiana State University（路易斯安那州立大学）
已经提出了几种量子神经网络（QNN）的架构，其目标是在量子数据上有效地执行机器学习任务。对于特定的QNN结构，迫切需要严格的缩放结果，以了解哪些（如果有的话）将在大规模上可训练。在这里，我们分析了最近提出的一种称为耗散QNN（DQNN）的架构的梯度缩放（以及可训练性），其中每层的输入量子比特在层的输出处被丢弃。我们发现，DQNN可以表现出贫瘠的高原，即，量子位数呈指数级递减的梯度此外，我们在不同的条件下，如不同的成本函数和电路深度，DQNN的梯度的缩放提供定量界限，并表明可训练性并不总是得到保证。
2022-06-10 cs.LG quant-ph
Comment on "Storage properties of a quantum perceptron"
本文评述量子感知器存储性质论文，指出其临界容量推导有误，提出更严谨方法并评估更相关替代问题的临界容量。
2025-06-23 cond-mat.dis-nn quant-ph
Quadratic Quantum Speedup for Perceptron Training
针对感知机训练，本文利用量子计数构造分类正确性预言机并结合有界误差量子搜索，将查询复杂度降至 $\sqrt{N/γ}$，并通过 AND-OR 树归约证明其最优性。
2021-09-10 quant-ph
On the capacity of a quantum perceptron for storing biased patterns
针对量子感知机与经典感知机性能争议问题，研究带经典极限的连续量子感知机对有偏随机模式的存储容量，证实量子层面无法像经典场景那样通过高相关模式无限提升存储容量，进一步支撑量子存储无优势的结论。
2023-04-27 cond-mat.dis-nn quant-ph
Quantum Jamming: Critical Properties of a Quantum Mechanical Perceptron
在这封信中，我们分析了感知器模型的量子动力学：一个粒子被约束在一个$N$维的球体上，有$N\to \infty$，并受到一组随机放置的硬壁势。这个模型有几个应用，从学习协议到有效描述欧氏空间中的无限维硬球系综的动态。我们发现量子动力学的干扰跃迁具有不同于经典情形的临界指数。我们还发现，与典型的量子临界点不同，量子干扰跃迁并不局限于零温轴上，并且只在$T=\infty$处恢复了经典结果.我们的研究结果对超低温下的玻璃理论和量子机器学习算法的研究具有重要意义。
2020-12-01 cond-mat.dis-nn cond-mat.stat-mech quant-ph
A Unitary Weights Based One-Iteration Quantum Perceptron Algorithm for Non-Ideal Training Sets
Jiangsu Engineering Center of Network Monitoring（江苏省网络监控工程中心）；Nanjing University of Information Science and Technology（南京信息工程大学）；School of Computer and Software, Nanjing University of Information Science and Technology（南京信息工程大学计算机与软件学院）；School of Mathematics and Computing Science, Guilin University of Electronic Technology（桂林电子科技大学数学与计算科学学院）；College of Computer Science and Information Technology, Guangxi Normal University（广西师范大学计算机科学与信息工程学院）
针对欠完备或过完备训练集，本文提出通过奇异值分解构造酉权重矩阵的单次迭代量子感知机算法，并在多种量子门与复合门上验证其精确性和优势。
2023-09-23 cs.AI cs.ET cs.LG
Parametric Synthesis of Quantum Circuits for Training Perceptron Neural Networks
本文提出了一种用于训练感知器神经网络的量子线路参数综合方法。使用Grover算法和修改的oracle函数找到突触权重。运行这些参数合成电路训练感知器的三种不同的拓扑结构的结果进行了说明。这些电路在100量子比特的IBM量子模拟器上运行。量子线路的合成使用量子合成器“Naginata”进行，该合成器是在本工作范围内开发的，其源代码已在GitHub上发布并进一步记录。本文描述了用于训练单层感知器的量子线路综合算法。目前，量子线路主要是通过人工将逻辑元件放置在象征量子比特的线路上来创建的。创建量子线路合成器“Naginata”的目的是由于这样一个事实，即使在量子算法中的操作数量略有增加，也会导致相应的量子线路的大小显着增加。这在创建和调试这些量子线路时都造成了严重的困难。我们的量子合成器的目的是使用户有机会使用更高级别的命令来实现量子算法。这是通过为常用操作创建通用块来实现的，例如：加法器，乘法器，数字比较器（比较运算符）等。因此，用户可以通过使用这些通用块来实现量子算法，量子合成器将以所选量子计算环境支持的格式为该算法创建合适的电路。这种方法大大简化了量子算法的开发和调试过程。
2022-09-20 cs.ET quant-ph
Pseudo quantum advantages in perceptron storage capacity
INFN（意大利国家核物理研究所）；Jagiellonian University（雅盖隆大学）
研究一种具有可调频率振荡激活函数的广义量子感知机架构，发现频率增加时存储能力增强，称为伪量子优势。
2026-04-08 math-ph math.MP math.ST
An Artificial Neuron Implemented on an Actual Quantum Processor
人工神经网络是机器学习算法和人工智能协议的核心。从历史上看，人工神经元的最简单的实现可以追溯到经典的Rosenblatt的“感知器”，但其长期的实际应用可能会受到计算复杂性的快速扩展的阻碍，特别是与多层感知器网络的训练相关。在这里，我们介绍了一个基于量子信息的算法实现的量子计算机版本的感知器，这表明在编码资源的指数优势，替代实现。我们在一个实际的小规模量子处理器上对这个模型的几个量子比特版本进行了实验测试，结果与预期的结果相比，给出了非常好的答案。我们表明，这种感知器的量子模型可以用作简单模式的基本非线性分类器，作为在近期量子处理硬件上有效实现人工量子神经网络实际训练的第一步。
2018-11-06 quant-ph
Expressive Quantum Perceptrons for Quantum Neuromorphic Computing
本文提出量子感知器（QPs）作为量子神经形态计算的基本构建模块，证明其可等价于经典感知器且能产生任意酉操作，从而在理论上具有通用性和更强表达性，并提出纠缠稀疏化技术缓解贫瘠高原问题，在多个量子机器学习任务中验证了其有效性。
2024-02-21 physics.atom-ph quant-ph
Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance
本研究探讨了在Rydberg原子阵列上实现量子感知机（QP）的方法，通过扩展多输出量子比特模型，在相位分类和多类纠缠分类任务中实现高准确率，并分析了实验实现与误差界限。
2024-11-13 quant-ph
A Quantum Model for Autonomous Learning Automata
信息在量子载体上的编码及其量子力学处理的思想使我们的世界发生了革命性的变化，并将人类带到了量子技术的神秘时代。受这一思想的启发，本文探讨了量子信息处理在机器学习领域的优势。利用希尔伯特空间的基本性质、量子力学的叠加原理和量子测量，我们构造了一个Rosenblatt感知器的量子模拟，它是最简单的学习机。我们证明了量子感知器在学习能力上优于经典感知器。特别是，我们证明了量子感知器能够学习任意（布尔）逻辑函数，对以前看不见的类进行分类，甚至识别学习类的叠加-这是应用医学工程中非常重要的任务。
2013-10-23 quant-ph
Exploiting the equivalence between quantum neural networks and perceptrons
University of Oxford（牛津大学）
本文通过将量子神经网络映射为经典感知器，揭示了现有 QNN 在表达能力和归纳偏置上的局限，并提出基于 DNN 启发的核与分层非线性 QNN 两种改进策略，以提升其在布尔数据上的表达与泛化能力。
2024-07-05 cs.AI quant-ph
Using (1 + 1)D Quantum Cellular Automata for Exploring Collective Effects in Large Scale Quantum Neural Networks
量子机器学习领域的核心是量子感知器和神经网络架构的设计。这方面的一个关键问题是量子效应对这种模型处理信息的方式的影响。在这里，我们通过建立$(1+1)D$量子元胞自动机和递归量子神经网络之间的连接来解决这个问题，$(1+1)D$量子细胞自动机通过连续应用局部量子门来实现离散非平衡量子多体动力学，而递归量子神经网络通过将相邻层相互连接的感知器来处理信息。这种关系使得量子神经网络中的信息处理可以根据其等效的元胞自动机动力学特性来研究。我们利用这一点，通过构建一类量子门（感知器），允许引入量子效应，如那些与一个连贯的哈密顿演化，并建立一个严格的链接到连续时间Lindblad动态。我们进一步分析了一个特定的量子元胞自动机的普适性质，并确定了一个变化的临界行为时，量子效应是不同的，表明它们确实可以影响集体动力学行为的信息处理在大规模的神经网络。
2022-07-24 cond-mat.dis-nn quant-ph
A Leap among Quantum Computing and Quantum Neural Networks: A Survey
近年来，量子计算在可用资源和算法开发方面取得了巨大的进步。利用量子现象来解决计算问题的能力是一个长期的梦想，自80年代末以来一直引起科学界的兴趣。在这种情况下，我们提出我们的贡献。首先，我们介绍与量子计算相关的基本概念，然后我们解释实现门模型和绝热量子计算范例的技术的核心功能。最后，我们收集，比较和分析了当前最先进的量子感知器和量子神经网络实现。
2022-01-31 cs.ET quant-ph stat.ML
On the capacity of neural networks
本论文的目的是比较不同的神经网络模型的能力。我们首先分析一个简单的组合参数的单个感知器的解决问题的能力。在对一个基本网络的存储容量（称为联想记忆）进行了一些观察之后，我们引入了一种强大的统计力学方法来计算它在训练规则依赖的Hopfield模型中的容量。为了找到一个更一般的定义，甚至可以应用到量子神经网络，我们遵循加德纳的工作，这让我们摆脱了对训练规则的依赖，并评论了Lewenstein等人通过将加德纳的方法应用于最近提出的量子感知器模型而获得的结果。
2022-11-02 cond-mat.dis-nn physics.comp-ph quant-ph
Enhanced Squeezing and Faster Metrology from Layered Quantum Neural Networks
Harvard University（哈佛大学）
该研究展示了多层量子神经网络在提升量子计量灵敏度和缩短挤压时间方面的优势，通过结构优化实现海森堡极限的相位灵敏度。
2025-12-09 quant-ph
Quantum activation functions for quantum neural networks
Istituto di Fotonica e Nanotecnologie, Consiglio Nazionale delle Ricerche（意大利国家研究委员会光子学与纳米技术研究所）；Dipartimento di Fisica, Universitá degli Studi di Milano Bicocca（米兰比可卡大学物理系）
人工神经网络领域有望从量子计算机的最新发展中受益。特别是，量子机器学习，一类利用量子位创建可训练神经网络的量子算法，将为解决模式识别，聚类和机器学习等问题提供更多的力量。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。相应的学习算法被称为Rosenblatt感知器。具有特定激活函数的量子感知器是已知的，但是在量子计算机上实现任意激活函数的一般方法仍然缺乏。在这里，我们填补了这一空白的量子算法，它能够近似任何解析激活函数的任何给定的顺序的幂级数。与以前的建议提供不可逆的测量-基于和简化的激活函数，在这里，我们将展示如何近似任何解析函数的任何所需的精度，而不需要测量的状态编码的信息。由于这种结构的通用性，任何前馈神经网络都可以根据Hornik定理获得通用逼近性质。我们的研究结果重塑了门模型量子计算机架构中的人工神经网络科学。
2022-01-10 cs.AI quant-ph
Training Quantum Neural Networks on NISQ Devices
噪声中尺度量子（NISQ）器件的出现为量子算法的发展提供了至关重要的机会。在这里，我们评估了两个量子神经网络（QNN）架构的IBM的NISQ设备，即耗散QNN（DQNN）的积木感知器是一个完全积极的地图，和量子近似优化算法（QAOA）的噪声容忍度。我们比较这两种方法来学习一个未知的单一。虽然这两个网络都成功地完成了这个学习任务，但我们发现DQNN比QAOA更可靠地学习未知的酉，并且不太容易受到门噪声的影响。
2021-04-13 quant-ph
Stochastic Neural Networks for Quantum Devices
1) Institute for Information Processing (tnt/L3S), Leibniz Universit\"at Hannover, Germany；2) Institute for Theoretical Physics (ITP/L3S), Leibniz Universit\"at Hannover, Germany
本文提出利用量子电路实现随机神经网络，结合优化算法构建多种模型，并用于Grover算法实现量子生成式人工智能。
2026-08-14 cs.LG quant-ph
Development and Training of Quantum Neural Networks, Based on the Principles of Grover's Algorithm
本文强调了创建由Grover搜索算法训练的量子神经网络的可能性。这项工作的目的是提出的概念相结合的训练过程中的神经网络，这是执行格罗弗算法的原则，与神经网络的功能结构，解释为一个量子线路。作为神经网络的一个简单例子，为了展示这个概念，一个感知器有一个可训练的参数-连接到隐藏神经元的突触的权重。
2021-10-01 cs.ET quant-ph
Quantum Algorithms for State Preparation and Data Classification based on Stabilizer Codes
受量子纠错与稳定子码启发，提出基于校验子检测的量子感知机与神经网络分类模型，并设计了仅需多项式数量基本门近似振幅编码的递归算法RASA以解决量子态制备问题。
2023-09-18 physics.data-an quant-ph
Quantum Neuron with Separable-State Encoding
将先进的量子神经元模型用于模式识别应用需要容错。因此，目前还不可能在现有的量子处理器中大规模测试这些模型。作为替代方案，我们提出了一种量子感知器（QP）模型，该模型使用减少数量的多量子比特门，因此在当前具有有限公差的实际量子计算机中不易受量子错误的影响。所提出的量子算法优于其经典的对应物，虽然由于它没有充分利用量子纠缠，它提供了一个较低的编码功率比其他量子算法使用多量子比特纠缠。然而，可分离状态编码的使用允许在当前可用的非容错量子计算机中大规模地测试算法和不同的训练方案。我们通过在模拟量子计算机中实现几个量子比特版本的QP来证明所提出的模型的性能。所提出的QP使用表征模式的二进制输入数据的N元编码。我们开发了一个混合（量子经典）的训练过程模拟QP的学习过程，并测试其效率。
2022-02-16 quant-ph
Quantum Analog-Digital Conversion
许多量子算法，如Harrow-Hassidim-Lloyd（HHL）算法，依赖于将经典数据有效地编码成量子态的预言机。数据的编码可以分为两种类型：模拟编码，其中数据被存储为状态的幅度，以及数字编码，其中它们被存储为量子位串。前者被用来处理量子系统中指数级大空间中的经典数据，而后者则需要在量子计算机上进行运算。像HHL这样的量子算法通过复杂地使用这两种编码来实现量子加速。在这项工作中，我们提出的算法，这两个编码转换到另一个。虽然量子数模转换已隐含地用于现有的量子算法，我们重新制定它，并给出一个广义的协议，工作概率。另一方面，我们提出了一个确定性的算法，执行量子模数转换。这些算法可用于实现诸如量子态振幅的非线性变换等高级量子算法。作为一个例子，我们构造了一个“量子振幅感知器”，一个量子版本的神经网络，因此有可能在量子机器学习领域的应用。
2019-01-09 quant-ph
Deep-learned error mitigation via partially knitted circuits for the variational quantum eigensolver
本文提出用多层感知器实时预测理想期望值，并结合部分线路编织降低训练成本，从而在深层含噪线路下使 VQE 恢复实用精度，显著优于通用量子误差缓解方法。
2025-06-04 cond-mat.dis-nn quant-ph
Quantum walk in a reinforced free-energy landscape: Quantum annealing with reinforcement
为量子退火算法提供最佳路径是为计算困难的优化问题找到良好近似解的关键。强化是一种策略，可以用来规避指数小的能隙的系统在退火过程中。在这里，一个依赖于时间的加强项被添加到哈密顿量，以使更低的能量的最可能的状态的发展系统。在这项研究中，我们采取了局部熵的配置空间的加固和应用该算法的一些简单和困难的优化问题。在量子搜索问题中，增强算法的性能优于标准量子退火算法，其中最优参数的行为取决于解的数量。此外，增强体可以改变平均场p自旋模型（$p>2$）的不连续相变为连续相变。该算法在二进制感知器问题上的性能也优于标准量子退火算法，后者已经比经典的模拟退火算法更好。
2022-07-14 cond-mat.dis-nn cs.DS quant-ph
Variational quantum algorithms for machine learning: theory and applications
本博士论文综述变分量子算法与量子机器学习领域进展，提出量子感知机模型、其变分推广、工业用例、纠缠特性研究及噪声反卷积技术等多项原创贡献。
2023-06-16 quant-ph
Fractional-Time Schrödinger Equation: Fractional Dynamics on a Comb
讨论了分数阶时间导数在量子力学中的物理意义。结果表明，通过类比分数扩散$\frac{\prt}{\prt t}\rightarrow \frac{\prt^α}{\prt t^α}$，在量子力学中引入分数时间薛定谔方程（FTSE）会导致量子力学描述的本质缺陷，需要特别注意.为了阐明这种情况，量子梳模型的介绍。结果表明，对于$α=1/2$，FTSE是量子梳模型的一个特殊情况。这个\textit{exact}的例子表明，FTSE不足以描述量子过程，并且在薛定谔方程中通过简单改变$\frac{\prt}{\prt t}\rightarrow \frac{\prt^α}{\prt t^α}$而出现的分数时间导数导致了关于量子动力学的大部分信息的丢失。
2011-08-31 cond-mat.dis-nn quant-ph
Performance improvement of a fractional quantum Stirling heat engine
研究将分数阶量子力学引入量子斯特林热机循环，提出利用分数阶参数控制热力学循环的新方法，发现调节该参数可扩展实现完美回热与Carnot效率的区域。
2023-05-18 cond-mat.stat-mech quant-ph
On fractional time quantum dynamics
介绍了分数阶微积分在量子过程中的应用。特别地，量子动力学被认为是在分数时间薛定谔方程（SE）的框架下，它不同于标准SE的分数时间导数：$\frac{\prt}{\prt t}\to \frac{\prt^α}{\prt t^α}$。结果表明，对于$α=1/2$，分数阶SE与梳状模型是等谱的.得到了系统格林函数的解析表达式。讨论了半经典极限。
2009-09-07 math-ph math.MP quant-ph
