【正文】 斷學(xué)習(xí)與訓(xùn)練，但卻不能辯識(shí)異常值，當(dāng)異常值影響強(qiáng)烈時(shí)，神經(jīng)網(wǎng)絡(luò)模型也能給出擬合精度極高的估計(jì)。結(jié)果，這樣顯然用于預(yù)測(cè)顯然將產(chǎn)生大的偏差。故神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)數(shù)據(jù)質(zhì)量要求較高。另一方面，應(yīng)用研究表明，擬合精度高的模型并不完全意味著高的預(yù)測(cè)精度，而我們卻無(wú)法推知神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度如何?！　?．運(yùn)算速度緩慢?！　≡谶\(yùn)算方面，利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，每增加一個(gè)新的樣本，均要重新學(xué)習(xí)與訓(xùn)練，花費(fèi)大量的時(shí)間，其本身訓(xùn)練與學(xué)習(xí)也十分緩慢，有時(shí)慢得令人難以忍受，變量選擇時(shí)更為嚴(yán)重，訓(xùn)練函數(shù)及權(quán)值修正算法影響速度，且神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)用于長(zhǎng)期預(yù)測(cè)有一定困難。　　5．隱節(jié)點(diǎn)難確立(隱層數(shù)及神經(jīng)元的經(jīng)驗(yàn)性與任意性)　　網(wǎng)絡(luò)的隱含層數(shù)，隱節(jié)點(diǎn)個(gè)數(shù)及神經(jīng)元能量函數(shù)的確定純粹憑經(jīng)驗(yàn)或湊試，帶有一定的任意性，一方面影響到訓(xùn)練與學(xué)習(xí)時(shí)間與最后結(jié)果的精度，另一方面也關(guān)系到這一方法的普及?！　?．宏觀預(yù)測(cè)困難?！　『暧^社會(huì)經(jīng)濟(jì)問(wèn)題，變量間相互關(guān)聯(lián)，相互影響，相互制約，僅憑單一方程是不足的。計(jì)量經(jīng)濟(jì)聯(lián)立議方模型在宏觀預(yù)測(cè)中起著舉足輕重的作用，但它卻主要基于線性模型，解決非線性問(wèn)題存在一系列困難。神經(jīng)網(wǎng)絡(luò)強(qiáng)調(diào)預(yù)測(cè)方法雖然在解決非線性問(wèn)題方面具有優(yōu)越性，卻面對(duì)因變量間關(guān)聯(lián)束手無(wú)策?！　?．模型選擇的困難。　　神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)由于缺乏統(tǒng)計(jì)機(jī)理，變量選擇十分困難，無(wú)法給出相關(guān)的顯著性統(tǒng)計(jì)準(zhǔn)則，也難以給出合適的變量選擇準(zhǔn)則，顯然僅以精度準(zhǔn)則是有缺陷的。我們知道，模型中包括不相關(guān)變量或略去重要變量均將對(duì)預(yù)測(cè)結(jié)果產(chǎn)生重要影響，且使結(jié)果失去可信。因此，開(kāi)發(fā)相應(yīng)的變量選擇方法是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究者面臨的十分棘手的問(wèn)題，也是首先應(yīng)該解決的問(wèn)題。只有這樣，才可以使得我們不僅知其然，而且知其所以然。人工神經(jīng)網(wǎng)絡(luò)這些固有的缺陷，在一定程度上制約了人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展。首先，人工神經(jīng)網(wǎng)絡(luò)的研究受到腦科學(xué)研究成果的限制。其次人工神經(jīng)網(wǎng)絡(luò)這門(mén)學(xué)科還沒(méi)有建立起一個(gè)完整、成熟的理論體系。最后，人工神經(jīng)網(wǎng)絡(luò)模型的知識(shí)表示方式和人們的習(xí)慣差距很大，模型的可理解性相對(duì)很差。對(duì)于神經(jīng)網(wǎng)絡(luò)難以勝任的任務(wù)，或是說(shuō)神經(jīng)網(wǎng)絡(luò)最大的局限性，Chalmer的觀點(diǎn)明很有代表性。他認(rèn)為現(xiàn)在的神經(jīng)網(wǎng)絡(luò)的研究的成果集中，在認(rèn)知領(lǐng)域中的“簡(jiǎn)單的”的問(wèn)題：大腦如何處理環(huán)境的刺激如何合成信息等等。因此我們總結(jié)了如下神經(jīng)計(jì)算的諸多局限與不足：學(xué)習(xí)海量信息時(shí)處理速度過(guò)慢；記憶容量有限；需要反復(fù)訓(xùn)練，不具有一次學(xué)習(xí)的能力；在接受新信息時(shí)易發(fā)生失憶現(xiàn)象等等。這些本質(zhì)上的缺陷使人們對(duì)傳統(tǒng)神經(jīng)計(jì)算理論的發(fā)展提出強(qiáng)烈的要求，于是出現(xiàn)了神經(jīng)計(jì)算與其它理論的結(jié)合，而神經(jīng)計(jì)算與量子理論的結(jié)合將是一個(gè)開(kāi)拓性的嘗試。 量子神經(jīng)網(wǎng)絡(luò)理論的形成和優(yōu)勢(shì)自從1982年Beniof[47]和Feynman[48]發(fā)現(xiàn)了將量子力學(xué)系統(tǒng)用于推理計(jì)算的可能性。1985年Deutsch提出第一個(gè)量子計(jì)算模型以來(lái)，量子計(jì)算(Quantum Computing)便迅速成為一個(gè)引人入勝的多學(xué)科領(lǐng)域，特別是近年來(lái)由Shor提出的質(zhì)數(shù)分解算法和Grover提出的量子查詢算法，更是極大地推動(dòng)了該領(lǐng)域的發(fā)展。量子計(jì)算與傳統(tǒng)物理意義上的計(jì)算有著質(zhì)的不同，它的特點(diǎn)主要體現(xiàn)在量子態(tài)的疊加(Superposition)和糾纏(Entanglement)上．許多計(jì)算上的優(yōu)勢(shì)如量子并行計(jì)算、隱形傳態(tài)(Teleportmion)等皆是由此而產(chǎn)生。由于人工神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)特點(diǎn)與量子系統(tǒng)有許多相似之處，人們自然會(huì)聯(lián)想能否將二者結(jié)合起來(lái)，以產(chǎn)生更有效的計(jì)算范式，從而改進(jìn)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和推廣能力。實(shí)際上，目前確實(shí)已有少數(shù)先行者身體力行。，展開(kāi)了諸如量子聯(lián)想、并行學(xué)習(xí)、經(jīng)驗(yàn)分析等問(wèn)題的討論，雖然這些只是處于理論分析階段，但是他們構(gòu)筑了人工神經(jīng)網(wǎng)絡(luò)中量子計(jì)算的基礎(chǔ)。1989年英國(guó)牛滓大學(xué)的Penrose教授出版了The Emperor39。s New Mind 一書(shū)，書(shū)中他討論了量子理論與人腦意識(shí)之間的關(guān)系問(wèn)題，并指出解決量子測(cè)量問(wèn)題是晟終解決意識(shí)問(wèn)題的先決條件。后來(lái)他又在1994年出版的Shadows of the Mind一書(shū)中進(jìn)一步進(jìn)行了討論；1994年美國(guó)Arizona大學(xué)的Hameroff教授認(rèn)為在神經(jīng)元內(nèi)細(xì)胞支架的微管(Cytoskeletal Microtubule)之中或周圍，意識(shí)是作為一個(gè)宏觀量子態(tài)由量子級(jí)事件相干的一個(gè)臨界級(jí)突現(xiàn)(Emerge)出來(lái)的；此外斯諾文尼亞Liubljana大學(xué)的Perus博士指出，量子波函數(shù)的坍縮(Collapse)十分類似于人腦記憶中的神經(jīng)模式重構(gòu)現(xiàn)象。這些討論給量子理論與人工神經(jīng)網(wǎng)絡(luò)理論的結(jié)合提供了有益的支持。而真正將量子理論與神經(jīng)計(jì)算結(jié)合起來(lái)的是美國(guó)Louisiana州立大學(xué)的Kak教授，他在1995年發(fā)表的On Quantum Neural Computing一文中首次提出量子神經(jīng)計(jì)算的概念，開(kāi)創(chuàng)了該領(lǐng)域的先河；同年英國(guó)Sussex大學(xué)的Chrisley提出T量子學(xué)(Quantum Learning)的概念，并給出非疊加態(tài)的量子神經(jīng)網(wǎng)絡(luò)模型和相應(yīng)的學(xué)習(xí)算法；1995年英國(guó)Exeter大學(xué)的Narayanart、Menneer和Moore博士在本校的技術(shù)報(bào)告中相自E發(fā)表了三篇有關(guān)量子衍生(QuantumInspired)計(jì)算、神經(jīng)網(wǎng)絡(luò)及遺傳算法的文章；1997年美國(guó)Brigham Young大學(xué)的Ventura博士和Martinez教授初步繪出了具有量子力學(xué)特性的人工神經(jīng)元模型，并于1998年提出有關(guān)量子聯(lián)想(Quantum Associative Memory)的概念；1999年畢業(yè)后在Penn州立大學(xué)工作的Ventura博士在IEEE Intelligent System 7／8月專刊上正式提出量子計(jì)算智能(Quantum Computational Intelligence)定義，并在2000年3月召開(kāi)的第四屆國(guó)際計(jì)算智能和神經(jīng)科學(xué)會(huì)議上主持了量子計(jì)算與神經(jīng)量子信息處理的專題會(huì)議(The special sessions on quantum putation and neuroquantum information processing)。 就量子理論與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合的形式而言，大致有兩種：一種是利用量子理論公式來(lái)設(shè)計(jì)、推導(dǎo)量子神經(jīng)元模型，并由此構(gòu)成量子神經(jīng)網(wǎng)絡(luò)(Quantum Neural Nets)，它具有量子理論的一些性質(zhì)：另一種則是借用量子理論中的基本概念或原理改進(jìn)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或算法，從而形成一系列量子衍生神經(jīng)網(wǎng)絡(luò)(Quantum．inspired Neural Nets)。量子計(jì)算是量子力學(xué)與計(jì)算機(jī)理論的完美結(jié)合。主要探討的是計(jì)算過(guò)程中諸如自由能(free energy)、信息(informations)與可逆性(reversibility)之間的關(guān)系。同經(jīng)典情形相比較，量子計(jì)算機(jī)在一些方面具有獨(dú)特的優(yōu)勢(shì)，例如可以有效解決某些對(duì)于經(jīng)典計(jì)算機(jī)來(lái)說(shuō)屬于難解類的問(wèn)題，以及可以較容易地模擬量子系統(tǒng)的行為。而最早實(shí)際地揭示出量子計(jì)算的威力的是ATamp。T貝爾實(shí)驗(yàn)室的計(jì)算機(jī)科學(xué)家皮特休爾。他在1 994年設(shè)計(jì)了第一個(gè)適合于量子計(jì)算機(jī)使用的算法，專門(mén)用來(lái)對(duì)大數(shù)進(jìn)行因子分解。大數(shù)的因子分解對(duì)于經(jīng)典計(jì)算機(jī)來(lái)說(shuō)，絕對(duì)是一個(gè)不可能完成的任務(wù)，因此現(xiàn)代計(jì)算機(jī)的加密算法，包括銀行的密碼系統(tǒng)，都是基于一個(gè)大數(shù)無(wú)法被人在有生之年分解為一些素?cái)?shù)之積這個(gè)論斷的。皮特休爾發(fā)現(xiàn)，如果使用量子計(jì)算機(jī)，再運(yùn)用他提出的專用算法，這個(gè)論斷將不再成立。這意味著現(xiàn)代社會(huì)廣泛使用的密碼系統(tǒng)，將隨著量子計(jì)算機(jī)的問(wèn)世而作廢。1998年，在美國(guó)MIT和拉斯阿莫斯國(guó)家實(shí)驗(yàn)室的以拉夫雷門(mén)為首的一組科學(xué)家，運(yùn)用液態(tài)核磁共振(NMR)實(shí)現(xiàn)了量子計(jì)算，這個(gè)里程碑式的實(shí)驗(yàn)，成功地解決了量子計(jì)算的重大問(wèn)題，即如何在讀出計(jì)算結(jié)果的同時(shí)，不銷毀系統(tǒng)其它的狀態(tài)信息。因?yàn)楦鶕?jù)量子力學(xué)基本原理，任何對(duì)系統(tǒng)的測(cè)量，都將導(dǎo)致系統(tǒng)狀態(tài)坍塌到一個(gè)狀態(tài)上，從而丟失系統(tǒng)本來(lái)具有的其他狀態(tài)的信息。為了解決這個(gè)難題，拉夫雷門(mén)通過(guò)間接的測(cè)量方法，使得系統(tǒng)狀態(tài)信息得到安全而完整的保留。量子計(jì)算采用一種與傳統(tǒng)的計(jì)算方式截然不同的新型計(jì)算方法，對(duì)于經(jīng)典計(jì)算機(jī)來(lái)說(shuō)，對(duì)一個(gè)字節(jié)的數(shù)據(jù)進(jìn)行一步步的處理，每一個(gè)步驟都表示機(jī)器的一個(gè)明確的狀態(tài)，上一個(gè)步驟的輸出作為下一個(gè)步驟的輸入，前后相續(xù)，整個(gè)計(jì)算任務(wù)是在一條線上進(jìn)行的。而對(duì)于量子計(jì)算機(jī)來(lái)說(shuō)，系統(tǒng)的不同狀念之間的變換，可以并列存在多個(gè)途徑，使得系統(tǒng)可以在多條路徑上并行處理多個(gè)計(jì)算，這就使得計(jì)算機(jī)的計(jì)算能力獲得了指數(shù)性的增強(qiáng)，它的一次運(yùn)算可產(chǎn)生2n個(gè)運(yùn)算結(jié)果，相當(dāng)于常規(guī)計(jì)算機(jī)的2n次操作，這種量子并行處理大大提高了量子計(jì)算的效率，使其達(dá)到常規(guī)計(jì)算技術(shù)不能達(dá)到的解題速度，還可以解決常規(guī)計(jì)算不能解決的某些計(jì)算復(fù)雜度很高的問(wèn)題。 量子神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀 多層激活函數(shù)的量子神經(jīng)網(wǎng)絡(luò)Karayiannis等學(xué)者于1997年提出多層激活函數(shù)的量子神經(jīng)網(wǎng)絡(luò)[49,50]，對(duì)該模型進(jìn)行了理論分析，并實(shí)驗(yàn)驗(yàn)證了它對(duì)模式分類問(wèn)題具有內(nèi)在模糊性，能夠檢測(cè)到數(shù)據(jù)中固有的模糊性和不確定性，特別是對(duì)于兩類數(shù)據(jù)有交叉的數(shù)據(jù)，QNN模型能以一定的隸屬度將數(shù)據(jù)同時(shí)分在兩類中。多層激活函數(shù)的量子神經(jīng)網(wǎng)絡(luò)采用傳統(tǒng)的三層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。借鑒了量子態(tài)疊加的思想，其隱含層的量子神經(jīng)元的激活函數(shù)形式表示為多個(gè)sigmoid函數(shù)的線性疊加，故稱為多層激活函數(shù)。所以QNN模型的隱含層神經(jīng)元不同于采用單激活函數(shù)的BP網(wǎng)絡(luò)的隱含層神經(jīng)元。一個(gè)sigmoid函數(shù)只能表示兩個(gè)狀態(tài)，而具有多個(gè)不同的量子間隔的多層激活函數(shù)則能夠表示表達(dá)更多的狀態(tài)。每個(gè)量子間隔對(duì)應(yīng)不同的量子能級(jí)，可以分別對(duì)應(yīng)不同的狀態(tài)，因此通過(guò)調(diào)整量子間隔，使不同類的數(shù)據(jù)映射到不同的量子能級(jí)上，使得分類具有更多的自由度。多層激活函數(shù)量子神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)分為兩步：一是對(duì)權(quán)值的調(diào)整，二是對(duì)隱含層量子神經(jīng)元的量子間隔進(jìn)行調(diào)整。對(duì)權(quán)值的調(diào)整可使輸入數(shù)據(jù)對(duì)應(yīng)到不同類空間中，而量子間隔則能體現(xiàn)數(shù)據(jù)的不確定性。QNN模型具有固有的模糊特性，已經(jīng)成功應(yīng)用于模式分類領(lǐng)域。本文主要對(duì)該模型進(jìn)行研究和改進(jìn)。 Qubit神經(jīng)元模型該模型于2000年由日本學(xué)者提出[51,52]，是利用量子比特表示神經(jīng)元狀態(tài)的網(wǎng)絡(luò)模型。其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相同，但神經(jīng)元信息表示方法、權(quán)值、激活函數(shù)等都與不同于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)。Qubit神經(jīng)元模型采用量子態(tài)表示信息，通過(guò)改變量子態(tài)可以達(dá)到計(jì)算的目的。對(duì)量子態(tài)的相位的旋轉(zhuǎn)變換是通過(guò)網(wǎng)絡(luò)權(quán)值的作用進(jìn)行的，激活函數(shù)的作用則是對(duì)相位進(jìn)行可控非門(mén)操作。Qubit神經(jīng)元模型的輸入只能是0、l值，輸出則是概率幅值，限制了該模型的應(yīng)用。目前，Qubit神經(jīng)元模型僅在邏輯門(mén)操作、奇偶檢驗(yàn)等方面進(jìn)行了實(shí)驗(yàn)。 多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型Tammy等學(xué)者從雙縫干涉實(shí)驗(yàn)和量子力學(xué)中多宇宙觀點(diǎn)得到啟發(fā)，提出了多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型[53]。該模型是多個(gè)相似的網(wǎng)絡(luò)組件的疊加。對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)不同輸入模式對(duì)應(yīng)訓(xùn)練不同網(wǎng)絡(luò)組件，測(cè)試時(shí)不同的輸入則由相應(yīng)的網(wǎng)絡(luò)組件來(lái)對(duì)輸入信息進(jìn)行處理。即多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型對(duì)于不同的輸入就會(huì)改變相應(yīng)的網(wǎng)絡(luò)組件的疊加態(tài)，塌陷到某個(gè)網(wǎng)絡(luò)組件上，然后使用這一組網(wǎng)絡(luò)組件處理輸入的信息。多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)訓(xùn)練時(shí)間短，可消除災(zāi)變性失憶現(xiàn)象。其主要原因是，對(duì)于不同的輸入模式都有與之對(duì)應(yīng)的網(wǎng)絡(luò)組件，在網(wǎng)絡(luò)訓(xùn)練時(shí)僅需訓(xùn)練這個(gè)對(duì)應(yīng)的網(wǎng)絡(luò)組件，而不需要訓(xùn)練其他組件，而且利用量子計(jì)算的并行性，各網(wǎng)絡(luò)組件的學(xué)習(xí)可并行進(jìn)行，從而減少網(wǎng)絡(luò)學(xué)習(xí)時(shí)間。同時(shí)由于樣本數(shù)據(jù)與網(wǎng)絡(luò)組件之間的對(duì)應(yīng)關(guān)系，網(wǎng)絡(luò)的調(diào)整只限于輸入模式對(duì)應(yīng)的網(wǎng)路組件網(wǎng)絡(luò)的調(diào)整只限于輸入模式對(duì)應(yīng)的網(wǎng)絡(luò)組件，不同模式的學(xué)習(xí)并沒(méi)有相互關(guān)聯(lián)，有效地避免了災(zāi)變性失憶現(xiàn)象。 其他量子神經(jīng)網(wǎng)絡(luò)模型Berhman等學(xué)者提出了時(shí)間量子點(diǎn)分子神經(jīng)網(wǎng)絡(luò)和空間量子神經(jīng)網(wǎng)絡(luò)[54]。他們的研究主要集中于量子計(jì)算機(jī)方面，在SQID(Superconducting quantum interference devices)物理設(shè)備上進(jìn)行了量子神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)，采用神經(jīng)網(wǎng)絡(luò)算法控制培養(yǎng)基上量子點(diǎn)分子外界的勢(shì)場(chǎng)、核聲子等，改變量子狀態(tài)，進(jìn)而達(dá)到計(jì)算的效果。學(xué)者Dan改進(jìn)了Grover搜索算法[55]，提出了量子聯(lián)想記憶模型[56]。該模型不具有傳統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，而是以量子器件作為信息的載體。量子聯(lián)想記憶模型的主要特點(diǎn)是量子聯(lián)想存儲(chǔ)器的指數(shù)級(jí)存儲(chǔ)容量，即T／位量子寄存器可同時(shí)存放夕個(gè)不同狀態(tài)的信息位量子寄存器可同時(shí)存放多個(gè)不同狀態(tài)的信息。該模型通過(guò)學(xué)習(xí)算法使量子存儲(chǔ)器存儲(chǔ)特定信息，具體表現(xiàn)為波函數(shù)的變化。聯(lián)想記憶就是通過(guò)搜索算法的么正變換作用于波函數(shù)，增大要查詢的信息的概率，從而使觀察者能以較大的概率觀測(cè)到需要的信息。 各種量子神經(jīng)網(wǎng)絡(luò)模型的比較模型網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)與量子計(jì)算的關(guān)系多層激活函數(shù)量子神經(jīng)網(wǎng)絡(luò)傳統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；隱層使用多層激活函數(shù)。固有的模糊特性，學(xué)習(xí)周期減少。利用量子態(tài)疊加的思想；只是概念上引用量子計(jì)算。Qubit神經(jīng)元模型傳統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；權(quán)值和激活函數(shù)是對(duì)量子態(tài)波函數(shù)的改變。學(xué)習(xí)速度較傳統(tǒng)網(wǎng)絡(luò)快。信息以量子位表示，在傳統(tǒng)計(jì)算機(jī)上模擬量子計(jì)算的過(guò)程達(dá)到比特位映射的目的。多宇宙的QNN模型多種傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或網(wǎng)絡(luò)組件的疊加。消除了災(zāi)變性失憶現(xiàn)象，學(xué)習(xí)速率快。利用量子態(tài)疊加的思想。Dan等人的量子神經(jīng)網(wǎng)絡(luò)非傳統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；以量子寄存器存儲(chǔ)信息，通過(guò)幺正變換改變寄存器狀態(tài)。指數(shù)級(jí)的存儲(chǔ)容量，具有學(xué)習(xí)能力、聯(lián)想記憶。對(duì)Grover算法的改進(jìn)；屬于量子計(jì)算領(lǐng)域的研究，與量子器件的實(shí)現(xiàn)密切相關(guān)。Behrman等人的研究非傳統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；側(cè)重量子計(jì)算機(jī)的研究。通過(guò)量子點(diǎn)分子等物理器件實(shí)現(xiàn)量子計(jì)算。通過(guò)神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)物理參數(shù)，控制量子器件中量子態(tài)的演化,達(dá)到量子計(jì)算的目的。 量子神經(jīng)網(wǎng)絡(luò)基本理論 量子計(jì)算的基礎(chǔ)知識(shí)(1)量子比特傳統(tǒng)信息理論中最基本的信息單元是bit。一個(gè)bit信息可以代表兩個(gè)值：二進(jìn)制0和1。所有的經(jīng)典信息理論都必須以二進(jìn)制狀態(tài)進(jìn)行信息編碼、轉(zhuǎn)換和解碼。類似于bit，在量子計(jì)算理論中有Qubit，量子比特。在數(shù)學(xué)意義上量子比特代表一個(gè)