在过去的几十年中,量子计算和神经形态计算已成为计算未来的两大主要愿景。量子计算利用纠缠和叠加等量子固有特性来设计比传统算法更快的算法来解决某些类型的问题。另一方面,神经形态计算从大脑中获得灵感,使用复杂的人工神经元和突触组合来模仿动物智能,以低能耗实现更快的计算。在本文中,我们回顾了这两个领域之间的不同融合,特别关注量子硬件上神经形态计算的实验实现。我们首先回顾了量子计算的两种主要方法,即基于门的量子计算和模拟量子计算。然后,我们概述了不同的受大脑启发的计算系统,包括在通用硬件上运行的人工神经网络和在专用硬件上运行的神经形态网络。在本文的核心部分,我们回顾了量子神经网络的不同方案和实验实现。我们将它们分为两组:数字(在基于门的量子计算机上实现)和模拟(利用量子退火器的动态和更普遍的无序量子系统)。量子计算的两种主要方法是基于数字门的量子计算和模拟量子计算(图 1)。基于门的量子计算使用由量子位组成的量子电路,其状态通过量子门进行操纵。量子门是可逆的幺正操作,例如单个量子位的旋转,或涉及两个或多个量子位的条件门,可用于纠缠它们。基于门的量子计算机在计算上等同于通用量子计算机,这意味着它可以表达任何量子算法。 1 需要通用量子计算机来实现著名的量子算法,例如 Shor 算法和 Grover 算法,这些算法与最佳经典算法相比分别具有指数和二次方的优势。2,3 然而,今天这些算法
主要关键词