循环闭合：资源感知混合 NAS 通过分析和硬件校准的量子成本建模
量子物理
2026-03-03 v1
摘要
混合量子-经典神经网络（HQNNs）将量子电路与经典层集成在内，每一子系统都在根本不同的计算范式下运行，这使得硬件资源估计具有挑战性。量子电路在真实设备上的训练需要数千次电路执行，在当前NISQ设备上是不可行的。因此，大多数HQNNs在经典模拟器上评估，硬件成本使用浮点运算（FLOPs）近似估计。然而，FLOPs和现有的量子资源估计方法（如门计数）忽略了诸如门持续时间、受限qubit连通性和噪声等关键量子硬件特定因素，这些因素最终决定了量子电路的真实成本和可扩展性。本文我们提出一种分析量子成本模型，该模型使用真实后端校准数据估计量子硬件资源，包括门持续时间、路由开销和噪声导致的采样效率损失。为此，我们发展了一种经典成本模型，将FLOPs转换为设备特定的吞吐量，实现对HQNN两个子系统的硬件资源成本的统一基于时间的表示。基于这些分析模型，我们提出Hyb-HANAS，一个面向硬件的混合神经体系结构搜索框架，同时优化准确率、硬件成本和参数数量，使用NSGA-II。Hyb-HANAS识别出Pareto最优的权衡以及经典和量子组件之间的跨域适应。除了NAS，本文提出的分析量子成本模型也可广泛应用于量子硬件基准测试、编译器评估和NISQ设备上量子电路训练时间估计。
引用
@article{arxiv.2603.00625,
title = {Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling},
author = {Muhammad Kashif and Alberto Marchisio and Muhammad Shafique},
journal= {arXiv preprint arXiv:2603.00625},
year = {2026}
}
备注
Accepted at 63rd Design Automation Conference (DAC), Long Beach, CA, USA, July 2026