量子科技中心_量科网

混合量子-经典神经网络（HQNNs）将量子电路与经典计算层相融合，由于两者遵循根本不同的计算范式，使得硬件资源评估变得极具挑战性。在真实量子设备上训练量子电路需要数千次电路执行，这在当前含噪声中等规模量子（NISQ）设备上并不现实。因此，大多数HQNN研究通过经典模拟器进行评估，并采用浮点运算次数（FLOPs）来近似估算硬件成本。然而，FLOPs和现有量子资源评估方法（如门操作计数）忽略了量子硬件特有的关键因素——包括门操作时长、受限的量子比特连接性以及噪声——这些因素最终决定了量子电路的真实成本和可扩展性。 本文提出了一种解析式量子成本模型，该模型利用真实后端校准数据来评估量子硬件资源，综合考虑了门操作时长、路由开销以及噪声导致的采样效率损失。为形成完整评估体系，该团队还开发了经典成本模型，将FLOPs转换为特定设备的吞吐量，从而为HQNN的两个子系统建立了基于时间的统一硬件资源成本表征。基于这些解析模型，研究人员提出了硬件感知型混合神经架构搜索框架Hyb-HANAS，该框架采用NSGA-II算法联合优化模型精度、硬件成本和参数量。Hyb-HANAS成功揭示了HQNN中经典与量子组件的帕累托最优权衡方案及跨领域协同适应机制。除神经架构搜索外，所提出的量子成本模型还可广泛应用于NISQ设备上的量子硬件基准测试、编译器评估以及量子电路训练时长预估。