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。

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。

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。

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。

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。

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。

预测量子电路的输出是一项硬计算任务，在通用量子计算机的开发中起着关键作用。在这里，我们研究了随机量子电路的输出期望值的监督学习。深层卷积神经网络（CNN）经过训练，可以使用经典模拟电路的数据库来预测单量和两数分的期望值。这些电路通过适当设计的组成门编码来表示。分析了以前看不见的电路的预测准确性，还可以与免费的IBM量子程序获得的小规模量子计算机进行比较。 CNN通常取决于电路深度，网络深度和训练集尺寸，通常优于量子设备。值得注意的是，我们的CNN被设计为可扩展。这使我们可以利用转移学习和执行外推，以比培训集中包含的电路更大。这些CNN还表现出对噪声的显着弹性，即，即使在很少的测量值中进行了（模拟）期望值的训练，它们仍然是准确的。

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。

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。

高品质，大型数据集在古典机器学习的发展和成功中发挥了至关重要的作用。量子机器学习（QML）是一个新的领域，旨在使用量子计算机进行数据分析，希望获得某种量子的量子优势。虽然大多数提议的QML架构是使用经典数据集的基准测试，但仍存在古典数据集上的QML是否会实现这样的优势。在这项工作中，我们争辩说，应该使用由量子状态组成的量子数据集。为此目的，我们介绍了由量子状态组成的Ntangled DataSet，其数量和多分纠缠的类型。我们首先展示如何培训量子神经网络，以在Ntangled DataSet中生成状态。然后，我们使用Ntangled DataSet来获得用于监督学习分类任务的基准测试QML模型。我们还考虑一个基于替代的纠缠基数据集，其是可扩展的，并且由量子电路准备的状态与不同深度的状态组成。作为我们的结果的副产品，我们介绍了一种用于产生多重石纠缠态的新方法，为量子纠缠理论提供量子神经网络的用例。

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 Machine Learning（QML）提供了一种强大的灵活的范式，可用于编程近期量子计算机，具有化学，计量，材料科学，数据科学和数学的应用。这里，一个以参数化量子电路的形式训练ANSATZ，以实现感兴趣的任务。然而，最近出现了挑战表明，由于随机性或硬件噪声引起的平坦训练景观，因此难以训练深度尖锐钽。这激励了我们的工作，在那里我们提出了一种可变的结构方法来构建QML的Ansatzes。我们的方法称为VANS（可变ANSATZ），将一组规则应用于在优化期间以知识的方式在增长和（至关重要的）中删除量子门。因此，VANS非常适合通过保持ANSATZ浅扫描来缓解训练性和与噪声相关的问题。我们在变分量子Eigensolver中使用Vans进行冷凝物质和量子化学应用，并且还在量子自身化学器中进行数据压缩，显示所有情况的成功结果。

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。

基于内核的量子分类器是用于复杂数据的超线化分类的最有趣，最强大的量子机学习技术，可以在浅深度量子电路（例如交换测试分类器）中轻松实现。出乎意料的是，通过引入差异方案，可以将支持向量机固有而明确地实现，以将SVM理论的二次优化问题映射到量子古典的变分优化问题。该方案使用参数化的量子电路（PQC）实现，以创建一个不均匀的权重向量，以索引量子位，可以在线性时间内评估训练损失和分类得分。我们训练该变量量子近似支持向量机（VQASVM）的经典参数，该参数可以转移到其他VQASVM决策推理电路的许多副本中，以分类新查询数据。我们的VQASVM算法对基于云的量子计算机的玩具示例数据集进行了实验，以进行可行性评估，并进行了数值研究以评估其在标准的IRIS花朵数据集上的性能。虹膜数据分类的准确性达到98.8％。

自我监督学习的复苏，其中深入学习模型从数据中产生自己的监督信号，承诺可扩展的方式来解决没有人为注释的大量越来越大的现实数据集。然而，这些方法的惊人的计算复杂性使得对于最先进的性能，经典硬件要求表示有关进一步进展的重要瓶颈。在这里，我们采取了了解量子神经网络是否能够满足对更强大的架构的需求并在原则上的原则上测试其有效性的步骤。有趣的是，即使当量子电路被采样，使用等效结构化的经典网络，我们将遵守使用小型量子神经网络的视觉表示的学习的数值优势。此外，我们应用我们的最佳量子模型，以对IBMQ \ _Paris量子计算机进行分类，并发现当前嘈杂的设备可以在下游任务上实现对等效经典模型的平等准确性。

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。

对机器学习模型训练的栅极基量子电路的发展越来越兴趣。然而，关于电路设计的参数，噪声和其他测量误差对量子机器学习模型性能的影响很少。在本文中，我们探讨了使用多个标准机器学习数据集和IBM的Qiskit模拟器的关键电路设计参数（Qubits，Deposit等）的实际意义。总的来，我们评估超过6500个独特电路，以$ n \约120700美元。我们发现，一般浅（低深度）宽（更多Qubits）电路拓扑倾向于在没有噪声的情况下更优于更深的内容。我们还探讨了不同噪声概念的影响和影响，并讨论了对分类机学习任务的噪声更多/较低的电路拓扑。基于该研究结果，我们定义了使用基于门的NISQ量子计算机来实现近期承诺的电路拓扑指南。

在这项工作中，我们利用量子深的增强学习作为方法，以在三个模拟的复杂性的模拟环境中为简单的，轮式机器人学习导航任务。我们显示了与经典基线相比，在混合量子古典设置中训练有良好建立的深钢筋学习技术的参数化量子电路的相似性能。据我们所知，这是用于机器人行为的量子机学习（QML）的首次演示。因此，我们将机器人技术建立为QML算法的可行研究领域，此后量子计算和量子机学习是自治机器人技术未来进步的潜在技术。除此之外，我们讨论了当前的方法的限制以及自动机器人量子机学习领域的未来研究方向。

In the era of noisy intermediate scale quantum devices, variational quantum circuits (VQCs) are currently one of the main strategies for building quantum machine learning models. These models are made up of a quantum part and a classical part. The quantum part is given by a parametrization $U$, which, in general, is obtained from the product of different quantum gates. By its turn, the classical part corresponds to an optimizer that updates the parameters of $U$ in order to minimize a cost function $C$. However, despite the many applications of VQCs, there are still questions to be answered, such as for example: What is the best sequence of gates to be used? How to optimize their parameters? Which cost function to use? How the architecture of the quantum chips influences the final results? In this article, we focus on answering the last question. We will show that, in general, the cost function will tend to a typical average value the closer the parameterization used is from a $2$-design. Therefore, the closer this parameterization is to a $2$-design, the less the result of the quantum neural network model will depend on its parametrization. As a consequence, we can use the own architecture of the quantum chips to defined the VQC parametrization, avoiding the use of additional swap gates and thus diminishing the VQC depth and the associated errors.

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.