量子科技中心_量科网

针对表格数据的神经网络超参数优化（HPO）在众多应用中至关重要，但由于搜索空间庞大、非凸且穷举调优成本高昂，该任务仍具挑战性。该研究团队提出量子启发的神经网络双层优化器（QIBONN），这一双层框架将特征选择、架构超参数与正则化统一编码于基于量子比特的表征中。通过结合确定性量子启发旋转与全局吸引子引导的随机量子比特突变，该方法在固定评估预算下实现探索与开发的平衡。研究人员采用IBM-Q后端模拟的单量子比特位翻转噪声环境（0.1%-1%）进行系统实验，13个真实数据集的测试结果表明，在同等调优预算下，QIBONN与经典树状方法、传统/量子启发HPO算法相比均具有竞争优势。