量子科技中心_量科网

量子电路设计是复杂现实数据上进行实用量子机器学习的关键瓶颈。该研究团队提出了一种自动化框架，通过基于图的贝叶斯优化与图神经网络（GNN）代理模型，实现变分量子电路（VQC）的发现与优化。该工作将电路表示为图结构，并利用蒙特卡洛丢弃法驱动的代理模型不确定性信息，通过期望改进获取函数进行电路变异与选择。候选电路在经过特征选择和量子嵌入缩放后，采用混合量子-经典变分分类器在下一代防火墙遥测与网络物联网（NF-ToN-IoT-V2）网络安全数据集上进行评估。该团队将所提流程与基于多层感知器的代理模型、随机搜索及贪婪GNN选择进行基准测试。结果显示，相较于所有基线方法，GNN引导的优化器始终能发现结构更简单且具有竞争力或更优分类精度的电路。通过标准量子噪声通道（包括振幅阻尼、相位阻尼、热弛豫、去极化及读出比特翻转噪声）的噪声研究验证了方法的鲁棒性。该实现具备完全可复现性，支持时间基准测试和最优电路导出，为自动化量子电路发现提供了可扩展且可解释的路径。