量子神经网络

量子神经网络（QNNs）是基于量子力学原理的计算神经网络模型。Subhash Kak和Ron Chrisley于1995年独立发表了有关量子神经计算的xxx个思想，他与量子心理理论相结合，后者认为量子效应在认知功能中起作用。然而，QNN的典型研究包括将经典的人工神经网络模型（在机器学习中广泛用于模式识别的重要任务）与量子信息的优势相结合。为了开发更有效的算法。这些研究的一个重要动机是难以训练经典神经网络，尤其是在大数据应用中。希望可以将诸如量子并行性或干扰和纠缠效应之类的量子计算功能用作资源。由于量子计算机的技术实现尚处于过早阶段，因此此类量子神经网络模型主要是理论上的建议，尚待在物理实验中全面实施。

量子神经网络研究仍处于起步阶段，提出了各种范围和数学严谨性的建议和思想的综合体。它们中的大多数是基于用量子位（可以称为“量子”）替换经典的二进制或McCulloch-Pitts神经元的想法，从而导致神经单元可能处于“激发”和“静止”状态的叠加 '。

许多提议试图找到用于构造神经网络的感知器单元的量子等效物。一个问题是非线性激活函数不能立即对应于量子理论的数学结构，因为量子演化是通过线性运算描述的，并导致概率观测。用量子力学形式主义来模仿感知器激活函数的想法从特殊的测量到假定非线性量子算符（一个有争议的数学框架）。使用基于电路的量子计算模型直接实现激活函数Schuld、Sinayskiy和Petruccione最近基于量子相位估计算法提出了一种新方法。

研究人员已在更大范围内尝试将神经网络推广到量子环境。构造量子神经元的一种方法是首先泛化经典神经元，然后进一步泛化它们以形成单一门。神经元之间的相互作用可以用单一门进行量子控制，或者经典地通过网络状态的测量来控制。通过采用不同类型的网络和量子神经元的不同实现方式（例如光子实现的神经元和量子库处理器），可以广泛应用这种高级理论技术。大多数学习算法都遵循训练人工神经网络的经典模型，以学习给定训练集的输入-输出功能，并使用经典反馈回路更新量子系统的参数，直到收敛到最佳配置为止。量子计算的绝热模型也将学习作为参数优化问题。

量子神经网络可以应用于算法设计：给定具有可调相互作用的量子位，人们可以尝试根据经典的反向传播规则从一组期望的输入-输出关系的训练集中学习相互作用，这被视为期望的输出算法的行为。因此，量子网络“学习”了一种算法。

量子缔合存储算法由Dan Ventura和Tony Martinez于1999年提出。作者没有尝试将人工神经网络模型的结构转换为量子理论，而是提出了一种用于基于电路的量子计算机的算法，该算法可以模拟联想记忆。记忆状态（在Hopfield神经网络中保存在神经连接的权重中）被写入一个叠加，并且具有类似Grover的量子搜索算法检索最接近给定输入的内存状态。优势在于记忆状态的指数存储容量，但是问题仍然存在，该模型是否对Hopfield模型的初始目的具有重要性，以证明简化的人工神经网络如何模拟大脑的特征。

人们对“量子启发”模型给予了极大的关注，该模型利用量子理论的思想来实现基于模糊逻辑的神经网络。