量子科技中心_量科网

混合量子神经网络（HQNN）将经典学习与参数化量子电路相结合，但其实际性能常受限于：（i）含噪声中等规模量子（NISQ）设备的噪声干扰；（ii）量子电路架构庞大且离散的设计空间。此外，尽管部署时往往针对编译与执行特性各异的异构后端系统，HQNN通常仍采用固定电路和单一后端进行训练。为解决这些挑战，该研究团队提出GAT-QNN——一种基于遗传算法（GA）的框架，通过迭代采样微电路（子电路）、训练并重整合其学习参数至宏电路（搜索空间）来实现训练。训练完成后，该框架启动独立的遗传算法驱动推理阶段，利用已训练的宏电路权重评估候选微电路，并筛选最优架构进行部署。这种两阶段方法无需重新训练每个候选架构即可实现后端感知的微电路选择，同时通过部署源自宏电路的更小型微电路来减少计算资源（门数量）消耗。该团队在MNIST四分类任务中验证该方法，报告显示遗传算法驱动推理在多个后端上持续获得22-23%的测试准确率提升。