量子科技中心_量科网

量子核方法已成为量子机器学习（QML）领域的一个有前景的方向，为将经典数据映射到高维量子希尔伯特空间提供了原则性方法。虽然概念上强大，但设计既能适应目标任务又符合近期量子硬件限制的有效量子核仍是一项重要挑战。该工作提出的HaQGNN框架，通过整合量子设备拓扑结构、噪声特性和图神经网络（GNN），实现了面向硬件的量子核设计，能评估选择任务相关量子电路。通过预测与保真度及核性能相关的代理指标，该框架实现了大规模电路高效筛选，并引入特征选择机制以提升有限比特系统的兼容性，缓解核性能退化问题。在信用卡数据集、MNIST-5和FMNIST-4三个基准测试中，HaQGNN的分类准确率均超越现有量子核基线方法。该研究揭示了基于学习和硬件感知策略在NISQ设备上推进实用量子核设计的潜力。