量子科技中心_量科网

光子量子计算是可扩展量子机器学习的一个有前景的平台，但在硬件和优化约束下，设计有效的混合架构仍然具有挑战性。现有方法依赖于手动调整的架构，未能考虑经典预处理、相位编码和光子电路结构之间的协作，从而限制了准确性和硬件兼容性。本文提出了一种面向混合光子量子-经典模型的神经架构搜索框架，该框架结合了基于遗传算法的搜索与可学习的量子相位编码，以系统性地探索经典和量子组件的联合设计空间。该框架将19个超参数编码为六个基因组，并通过基于组的交叉、逐基因变异和精英策略进化混合架构种群，在完整重新训练最优设计之前，先以较短的训练预算评估每个候选架构。该框架在两个图像分类基准数据集（Digits和MNIST）上进行了评估，最终验证准确率分别达到99.44%和98.78%，在Quandela Ascella光子QPU上基于第一性原理的执行时间估算显示，单张图像推理时间为67毫秒（Digits）和149毫秒（MNIST）。量子贡献分析进一步表明，光子层提取了与经典路径正交的非冗余特征，相比纯经典基线提供了可量化的准确率优势。研究结果证明，自动架构搜索对于混合光子系统既实用又具有影响力，为光子器件上量子AI的系统性设计空间探索开辟了道路。