引言：这里重点介绍传统计算机上能实现的量子神经网络，例如基于多层激励函数的量子神经网络，日本学者 Matsui 等人提出的神经网络模型等等，同时介绍其它量子神经网络模型。算法
1.多层激励函数的量子神经网络微信
N.B.Karayiannis 等人 1997 年提出多层激励函数的量子神经网络，而且从理论分析和实验验证了这种神经网络在模式分类时具备的内在模糊性，它能检测到数据中固有的模糊性和不肯定性，对两类交叉的数据样本，这种神经网络能以必定的隶属度将其同时分在两类中。网络
基于多层激励函数的量子神经网络是 3 层的网状结构，输入层，隐层，输出层，其中输入层和输出层与传统的前向神经网络无异，而隐层的量子神经元借鉴了量子理论中量子态叠加的思想，激励函数表示为多个 sigmoid 函数的线性叠加，称之为多层激励函数。这样一个隐层神经元就能表示更多的状态或量级，而一个传统的 sigmoid 函数只能表示两个状态或量级，叠加的每个 sigmoid 函数有多个不一样的量子间隔，能够调整量子间隔，能使不一样的数据映射到不一样的量级或阶梯上，从而使分类有更多的自由度。下图为量子神经网络和传统神经网络激励函数示意图。函数
量子神经网络的学习分两步，一是对权值的调整，使输入数据对应到不一样的类空间中；学习
二是对隐层的量子神经元的量子间隔进行调整，体现数据的不肯定性。测试
因为这种量子神经网络固有的模糊特性，它已经成功地应用于模式分类方面，特别是在处理两类有交叉的数据样本时，更显示出它的优越性。ui
2. Qubit 神经元模型人工智能
日本的 Nobuyuki Matsui 等人在 2000 年提出了用量子比特表示神经元状态的网络模型。spa
在这种网络模型中，网络的拓扑结构和传统的神经网络相同，下图是一个三层的量子神经网络，看起来和传统的神经网络无异。可是，它的神经元信息表示、权值、激励函数等都与传统的神经网络不一样。.net
这种量子神经网络的主要特色是用量子态相位表示信息，网络权值的做用是对相位进行旋转变化，激励函数对相位可控非门操做，经过改变量子态达到运算的目的。这种结构改变了传统的网络模式，可是它的输入只能是 0、 1 值，输出是几率幅值，限制了它的应用。目前的实验仅限于逻辑门操做、奇偶校验等。
3. 多宇宙的量子神经网络模型
Tammy 等人从光学的双缝干涉实验和量子力学中多宇宙的观点获得启发，提出了多宇宙的量子神经网络模型。多宇宙的量子神经网络是多个类似网络组件的叠加。在训练时不一样的输入模式对不一样的网络组件进行训练，测试时不一样的输入会有不一样的网络组件来对输入信息处理。也就是量子神经网络的网络组件的线性叠加，当有输入时，就会破坏网络组件的叠加，使其塌陷到某个网络组件上，而后神经网络就经过这一组件对输入数据进行处理。
这种模型的特色是：
①训练时间短：因为对每一种输入模式，量子神经网络中都有与之对应的网络组件，这样仅须要训练对应的网络组件，与其它的网络组件无关，各个网络组件的学习能够并行进行，减小了神经网络的学习时间；
②可消除灾变性失忆现象：传统的神经网络在对样本训练时，不一样模式的样本将致使权值朝向不一样的方向变化，网络学习新的样本信息时，会“忘掉”之前学到的信息，使权值调节产生振荡（灾变性失忆现象）。而量子神经网络对于不一样的样本数据，会有不一样的网络组件与之对应，网络的调节只限于输入模式对应的网络组件，这样不一样的模式的学习之间互不相干，避免了灾变性失忆现象的发生。
目前这种神经网络在学习算法、坍塌算法、具体的网络结构方面尚未突破性的研究。
首先在学习算法方面，要解决的问题是采用什么方法训练网络，使不一样的训练数据对应到不一样的网络组件上。其次，网络在处理数据时应该如何根据输入数据使量子神经网络坍塌到对应的组件上。
4.其它量子神经网络模型
美国的 Berhman 等人在量子神经网络方面的工做，主要集中于量子计算机的研究，他们在 SQID 物理设备上（ Superconducting quantum interference devices）经过神经网络算法控制培养基上量子点分子外界的势场、核声子等，使量子状态不断变化，直到达到所需的量子状态，提出了时间的量子点分子神经网络。
美国的 Dan 提出了量子联想记忆模型，改进了 Grover 搜索算法，代表量子存储器具备指数级的存储容量。这种神经网络模型不具备传统的网络结构，信息的载体是量子器件，其主要特色是量子联想存储器具备指数级的存储容量， n 位的量子寄存器同时存储 2的n次方个不一样状态的信息。实现的思想是，经过学习算法，使量子存储器存储特定信息体如今波函数的变化上，而后，联想记忆过程就是经过搜索算法中的幺正变换做用于波函数，并最终使要查询的信息的几率增大，使观测者能以较大的几率观测到须要的信息。
巴西的 Li Weigang 利用量子的隐形传态提出了纠缠神经网络。
本文分享自微信公众号 - AI MOOC人工智能平台（AIMOOC_XLAB）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。