量子科技中心_量科网

为现实世界任务设计有效的量子模型仍然是量子机器学习（QML）领域的关键挑战，尤其在信用卡欺诈检测等应用中——极端类别不平衡与不断演变的攻击模式同时要求模型的准确性与适应性。当前多数方法依赖人工设计或随机初始化的量子电路，导致高失败率与有限的可扩展性。该研究团队提出CircuitHunt框架，这套全自动量子电路筛选系统能高效发掘高性能模型：通过量子比特数与参数约束从KetGPT数据集中初筛电路，将候选结构嵌入标准化混合量子神经网络（QNN），并基于macro-F1分数建立检查点机制快速淘汰低效模型。最终优选电路在欺诈检测基准测试中实现了97%的测试准确率与卓越的macro-F1分数。该工作融合预算感知剪枝、实证评估与端到端自动化技术，将架构搜索时间从天级压缩至小时级，为金融关键领域的QML部署提供了可扩展的任务驱动型工具。