引言：人工神經網絡因爲其大規模並行處理、容錯性、自組織和自適應能力和聯想功能等特色，已成爲解決許多問題的有力工具，對突破現有科學技術的瓶頸，更深刻的探索非線性等複雜現象起到了重要的做用，普遍應用於衆多科學領]。然而，隨着問題的複雜程度提升，網絡結構相對單一的傳統神經網絡模型表現出了種種缺限和不足，例如固有的學習速度慢、災變性失憶、硬件實現難度大等等，必定程度上制約了它的應用。算法
量子神經網絡的概念出現於上個世紀 90 年代後期，一經提出後便引發了不一樣領域的科學家的關注，人們在這個嶄新的領域進行了不一樣方向的探索，提出了不少想法和初步的模型，充分體現了量子神經網絡研究的巨大潛力。主要研究方向能夠歸納爲：微信
① 量子神經網絡採用神經網絡的鏈接思想來構造量子計算機，經過神經網絡模型來研究量子計算中的問題；網絡
② 量子神經網絡在量子計算機或量子器件的基礎上構造神經網絡，充分利用量子計算超高速、超並行、指數級容量的特色，來改進神經網絡的結構和性能；函數
③ 量子神經網絡做爲一種混合的智能優化算法在傳統的計算機上的實現，經過引入量子理論中的思想對傳統神經網絡改進，利用量子理論中的概念、方法(如態疊加、「多宇宙」觀點等)，創建新的網絡模型；改善傳統神經網絡的結構和性能；工具
④ 基於腦科學、認知科學的研究。性能
以上不一樣的研究方向之間並無明顯的界限，它們之間是緊密聯繫相互交叉的。目前國際上對於量子神經網絡的研究纔剛剛開始，對它還無確切定義。學習
其中美國的 Kak 是最先提出量子神經網絡的學者之一，經過對認知和意識的研究將量子理論引入到人工智能領域，認爲神經元的信息處理應該是有量子特性，並在隨後的研究中，從大腦意識的角度對量子神經網絡進行研究；優化
美國的物理學家 Berhman 等人在量子神經網絡方面作了大量的工做，他們在量子點分子模型上構造了時間和空間的量子神經網絡，經過神經網絡調節量子器件的各個物理參數，影響微觀粒子的量子態，改變波函數，使其最終演變到須要的量子態；ui
美國的 Dan 博士在攻讀博士期間發表了一系列量子神經網絡的文章，研究了量子計算的學習問題提出了量子聯想存儲的算法，相對傳統的存儲方法，量子聯想存儲有指數級的存儲容量；人工智能
英國的 Tammy 等人也研究了量子神經網絡的結構和模型，從多宇宙的量子力學觀點出發，提出了構建疊加的多宇宙量子神經網絡模型的思想；
巴西的華人 Li Weigang 提出了糾纏的量子神經網絡（ Entanglement Neural Network），採用了量子的隱形傳態；
俄羅斯 A.A.Ezhov 等[37]進行了基於光學元器件的量子神經網絡的研究，採用光學元件構成神經網絡；
日本的 Matsui 等人在 2000 年提出了用量子態做爲神經元的狀態，在傳統神經網絡拓撲結構的基礎上，採用了基於量子比特的信息表示方式和處理方式；
N.B.Karayiannis等人 1997 年提出了基於多層激勵函數的量子神經網絡。三層的網絡結構中，隱層量子神經元的激勵函數採用多個傳統激勵函數的疊加，使網絡有了一種固有的模糊性，並引發了模糊識別領域研究者的注意，在氣象預測、手寫字識別、語音識別等方面獲得了成功的應用。
本文分享自微信公衆號 - AI MOOC人工智能平臺（AIMOOC_XLAB）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。