在量子增强神经网络参数生成中的可微分量子架构搜索
量子计算（QC）和机器学习（ML）的快速发展催生了量子机器学习（QML），该领域结合了两者的优势。在QML方法中，变分量子电路（VQCs），也称为量子神经网络（QNNs），在实验和理论上都显示出潜力。然而，其广泛应用受到推理过程中对量子硬件的依赖的阻碍。硬件缺陷和量子设备的有限访问带来了实际挑战。为了解决这一问题，Quantum-Train（QT）框架利用量子幅度的指数级扩展来生成经典神经网络参数，从而在无需量子硬件的情况下进行推理，并实现显著的参数压缩。然而，为这种量子增强的神经网络编程器设计有效的量子电路架构仍然非易事，通常需要量子信息科学方面的专业知识。在本文中，研究团队提出了一种使用可微分优化的自动化解决方案。该方法通过自动微分以端到端的方式联合优化传统电路参数和架构参数。研究团队在分类、时间序列预测和强化学习任务上评估了所提出的框架。仿真结果表明，该方法与手动设计的QNN架构相当或更优。该工作为设计能够生成跨多种应用的经典神经网络参数的QNNs提供了一条可扩展且自动化的途径。
