量子科技中心_量科网

混合量子-经典神经网络（HQNN）正成为含噪声中等规模量子（NISQ）时代量子机器学习的一种实用方法，它将经典学习组件与参数化量子电路结合在端到端可训练的框架中。然而，其性能和效率在很大程度上依赖于数据编码、电路结构、测量设计以及经典与量子模块之间的耦合等架构选择。这使得手动设计日益困难，尤其是在还必须考虑硬件限制和资源约束的情况下。本文研究了HQNN和神经架构搜索（NAS）的基础知识，探讨了NAS如何扩展到量子与混合设置，并展示了FLOPs感知搜索（其中FLOPs作为计算复杂度的代理指标），这是构建不仅在精度上出色，同时在计算效率上高效且可实际部署的HQNN的一个重要硬件感知方向。