1）相比于其他受CNN启发的量子机器学习方案，QCCNN最大限度地继承了CNN的架构，如非线性、多层架构，相比于同样架构的CNN，QCCNN的特征提取函数可以在更大的空间提取特征，因而原则上QCCNN可以达到更高的学习精度，这一点在文中通过一个小型数据集得到了数值验证；
2）由于CNN中的特征窗口尺寸通常不大，如3×3到9×9，量子特征提取函数可以比较容易地基于近期量子计算机实现；
3）QCCNN没有量子计算机的输入输出问题。另外，QCCNN架构也可以使用量子数据作为输入，在这种情况下，QCCNN可以在计算能力上实现相对于经典计算机的“量子优势”。
研究详情请阅读原文▼
[点击下方链接或阅读原文]
[1] J. Liu, K. H. Lim, K. L. Wood, W. Huang, C. Guo, and H.-L. Huang, Hybrid quantum-classical convolutional neural networks, Sci. China-Phys. Mech. Astron. 64, 290311 (2021).
[2] D.-L. Deng, Quantum enhanced convolutional networks for NISQ computers, Sci. China-Phys. Mech. Astron. 64, 100331 (2021).
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号。
