量子科技中心_量科网

在近端量子硬件上部署量子机器学习算法需要遵循设备特定门集、连接约束和噪声特性的电路。该研究团队提出了一种硬件感知的神经架构搜索（NAS）方法，用于设计可直接在IBM量子处理器上执行、无需编译开销的量子特征映射。通过遗传算法演化受限于IBM Torino原生门集（ECR、RZ、SX、X）的电路架构，研究人员证明自动化架构搜索能发现具备硬件兼容性的量子支持向量机（QSVM）特征映射，同时保持优异性能。在UCI威斯康星乳腺癌数据集上的评估显示，该硬件感知NAS方法发现了一个仅使用IBM原生门（6个ECR、3个SX、3个RZ）的12门电路，在10个量子比特上实现91.23%准确率——与无约束门搜索相当且无需任何编译。这相较手工设计的量子特征映射（64%准确率）提升了27个百分点，并接近经典RBF SVM基准（93%）。研究表明，在硬件感知搜索中解除架构约束（固定RZ门位置）可带来3.5个百分点的性能提升，而100%原生门使用率消除了困扰通用门编译的分解误差。该工作证实硬件感知NAS使量子核方法能实际部署于当前含噪声中等规模量子（NISQ）设备，其电路架构无需修改即可直接执行。