量子科技中心_量科网

该研究团队提出了一种名为“遗传Transformer辅助量子神经网络（GTQNN）”的混合学习框架，该框架将Transformer编码器与浅层变分量子电路相结合，并通过NSGA-II多目标遗传算法自动微调电路。Transformer将高维经典数据压缩至紧凑的量子比特级表征，同时NSGA-II算法搜索满足以下双重目标的帕累托最优电路：(1)最大化分类准确率；(2)最小化原始门数量——这是噪声中等规模量子（NISQ）硬件的关键约束条件。在四个基准数据集（鸢尾花、乳腺癌、MNIST和心脏病）上的实验表明，GTQNN在多数情况下能以远少于现有量子模型的量子门数量达到或超越其性能。混合Fisher信息分析进一步揭示：训练后的网络有效避开了贫瘠高原现象；随着量子比特预算增加，主要曲率方向与量子子空间的对齐度持续提升，证实Transformer前端模块实现了数据的高效浓缩。这些结果表明，GTQNN在适配当前NISQ设备的量子资源预算下，具有与传统量子模型相当的性能优势。