量子科技中心_量科网

量子神经网络模型的性能在很大程度上取决于架构决策，包括电路深度、参数化操作的位置以及数据编码策略。选择有效的架构具有挑战性，并且与选择合适神经网络拓扑结构的经典难题密切相关，这在计算上十分困难。该研究团队针对回归任务研究了自动量子电路构建，并引入了一种遗传算法框架，可发现精简型回归器QNN架构。该方法探索了深度、参数化门配置和灵活的数据重上传模式，将量子回归器的构建表述为一个优化过程。研究人员在22个非线性基准函数和4个解析函数上，将所发现的电路与17种经典回归模型进行了比较评估。虽然经典方法通常能获得相当的结果，但通常需要更多参数，而演化出的量子模型在保持紧凑性的同时提供了具有竞争力的性能。 该工作进一步使用12种结构描述符分析了数据集复杂度，并通过5个难度递增的元学习场景表明，这些度量指标能够可靠预测哪种量子架构表现最佳。结果显示在多个场景中实现了完美或接近完美的预测准确率，表明复杂度指标提供了强大而紧凑的数据集结构表征，并能有效指导自动化模型选择。总体而言，这项研究为元学习驱动的量子架构设计提供了原则性基础，并增进了对量子模型在回归场景中行为的理解——这一主题在先前工作中获得的探索十分有限。这些发现为更系统化、更具理论依据的量子回归方法铺平了道路。