CTRQNets和LQNets：连续时间递归和液态量子神经网络

量子神经网络、量子卷积网络和量子启发式经典深度学习算法在深度学习和量子计算领域受到广泛关注。

量子循环神经网络（QRNN）结合了量子计算与循环神经网络，展示了在序列学习和整数数字分类中的性能。

单量子比特量子神经网络能够逼近任何一元函数，但在多元函数的逼近上存在局限性。

可扩展的量子神经网络（SQNN）通过多个小型量子设备提高分类精度和训练效率，表现出优于常规QNN模型的能力。

新型可伸缩量子卷积神经网络（sQCNN）通过反保真度训练算法提升性能，解决了传统QNN的局限性。

新量子神经网络模型在手写数字识别和非线性分类任务中表现出优异的鲁棒性和分类能力。

知识蒸馏方法有效地将经典神经网络的知识传递到量子神经网络，促进了量子机器学习的发展。

新提出的量子神经网络模型在电路深度和C-NOT门数量上优于现有模型，展示了更好的性能。

量子卷积神经网络（QCNN）架构能够处理任意输入数据维度，优化了量子资源分配并实现优秀分类性能。

基于参数化量子电路的量子神经网络被认为是近期量子设备应用的有前景的候选方案。