量子科技中心_量科网

量子深度学习（QDL）致力于探索如何利用量子及量子启发的资源，在特定资源约束条件下增强深度学习的核心能力，包括表达能力、泛化性和可扩展性。与更广泛的量子机器学习不同，QDL强调流程层面的组合深度，以及在端到端工作流中整合量子或量子启发组件。本综述提出了QDL的操作性定义，并建立了一个包含四大范式的分类体系：混合量子-经典模型、量子深度神经网络、深度学习原语的量子算法，以及量子启发的经典算法。研究将理论原理与先进架构、软件工具链及实验验证相连接，覆盖超导、囚禁离子、光子、半导体自旋、中性原子系统以及量子退火器等平台。通过严格区分可证明的复杂性理论分离与实证观察结果，该团队对“量子优势”主张进行了批判性评估。分析揭示了模型表达能力、可训练性与经典可模拟性之间的权衡关系，同时系统阐述了优化地形、输入-输出访问模型和硬件约束带来的瓶颈。研究调查了QDL在图像分类、自然语言处理、科学发现、量子数据处理和量子最优控制等领域的应用，强调需与优化的经典方法进行公平基准测试，并对资源需求进行全面评估。本综述既可作为研究生的入门教程，又能引导读者深入专业文献。最后提出了一条基于验证意识的路线图，推动QDL从近期演示迈向可扩展且容错的实施方案。