量子科技中心_量科网

设计兼具高精度与近含噪声中等规模量子（NISQ）硬件可部署性的量子神经网络（QNN）面临诸多挑战。手工设计的量子电路模板（ansatze）需在表达能力、可训练性与资源消耗间取得平衡，而有限量子比特数常迫使采用电路切割技术。现有量子架构搜索方法主要优化精度指标，仅启发性地控制量子资源开销，大多忽略电路切割带来的指数级成本增长。该研究团队提出QNAS框架——一个集成了硬件感知评估、多目标优化与切割成本分析的混合量子-经典神经网络（HQNN）架构搜索系统。QNAS通过训练共享参数的超级电路（SuperCircuit），并采用NSGA-II算法同步优化三个目标：(i)验证误差；(ii)衡量实际运行时间的成本代理指标；(iii)目标量子比特预算下的预估子电路数量。经短期训练评估候选架构后，QNAS能清晰呈现准确率、效率与切割成本间的帕累托前沿。在MNIST、Fashion-MNIST和Iris基准测试中，研究人员发现嵌入类型与CNOT门模式选择对精度和效率具有显著影响：图像数据集上角度-y嵌入配合稀疏纠缠模式表现最优，而表格数据（Iris）中振幅嵌入更具优势。最佳架构在MNIST上以8量子比特2层电路实现97.16%测试准确率；在更具挑战的Fashion-MNIST上以5量子比特2层电路达87.38%；在Iris数据集则以4量子比特2层电路获得100%验证准确率。QNAS能在搜索过程中自动捕捉这些设计洞见，为从业者提供平衡精度、资源效率与当前硬件可部署性的架构选择方案。