量子神经网络 Quantum Neural Network
量子神经网络（QNN）由若干个量子神经元按一定的拓扑结构构成，它是试图将人工神经网络模型与量子信息优势相结合的一种方法，目前仍处于研究阶段。
QNN 的研究目的
在大数据应用中，传统的神经网络模型难以训练，因此研究者尝试将量子计算的特征用作资源。
而量子的本体论解释和感知器脑过程的完全性理论具有相同的数学结构, 这两个过程的动态方程都包含了一种场，其中基于量子势的量子过程和基于神经势的脑过程有惊人的相似之处，这也促进了二者的融合。
QNN 的主要研究方向
- 采用神经网络的连接思想来构造量子计算机，通过神经网络模型来研究量子计算中的问题；
- 在量子计算机或量子器件的基础上构造神经网络，利用量子计算超高速、超并行、指数级容量的特点，来改进神经网络的结构和性能；
- 作为一种混合的智能优化算法在传统的计算机上实现；
- 借以对脑科学和认知科学做深入研究。
QNN 的主要研究方向
(1) 采用神经网络的连接思想来构造量子计算机，通过神经网络模型来研究量子计算中的问题；
(2) 在量子计算机或量子器件的基础上构造神经网络，利用量子计算超高速、超并行、指数级容量的特点，来改进神经网络的结构和性能；
(3) 作为一种混合的智能优化算法在传统的计算机上的实现；
(4) 借以对脑科学和认知科学做深入研究。
QNN 的潜在优势
基于量子神经网络的量子神经计算 (QNC) 的研究尚处萌芽阶段, 但与传统的神经计算相比拥有以下几点优势:
- 指数级的记忆容量和回忆速度;
- 较小的网络规模和简单的网络拓扑结构；
- 更好的稳定性和有效性；
- 快速学习、一次学习和高速处理信息的能力；
- 消除灾变性失忆的潜力。