量子科技中心_量科网

近年来，机器学习和深度学习通过多层神经网络建模复杂数据，推动了图像分类、语音识别和异常检测等领域的进步。与此同时，量子计算（QC）有望通过量子并行性解决经典计算难以处理的问题，这激发了量子机器学习（QML）的研究热潮。在众多QML技术中，量子自编码器在压缩高维量子与经典数据方面展现出潜力。然而，由于量子门选择、电路层级排列和参数调优的复杂性，设计高效的量子自编码器电路架构仍具挑战性。本文提出一种神经架构搜索（NAS）框架，利用遗传算法（GA）实现量子自编码器的自动化设计。该方法通过系统演化变分量子电路（VQC）配置，致力于发现高性能的量子-经典混合自编码器以实现数据重建，同时避免陷入局部最优解。该团队在图像数据集上验证了其有效性，凸显了量子自编码器在噪声敏感的中短期量子时代实现高效特征提取的潜力。该工作为遗传算法在量子架构搜索中的广泛应用奠定了基础，旨在开发一种能适应多样化数据和硬件限制的鲁棒自动化方法。