只需切割：在有限量子比特设备上执行大规模量子神经网络

量子计算的快速发展，尤其是通过无噪声中间规模量子设备（NISQ），正在推动量子机器学习（QML）应用的广泛关注。尽管具有潜力，但完全量子算法因当前NISQ设备的局限性仍难以实施。混合量子-经典神经网络（HQNN）作为一种可行的替代方案，正在利用量子计算和经典计算来增强机器学习能力。然而，NISQ设备的资源受限，特别是量子比特数量有限，为在受限设备上执行大规模量子电路提出了重大挑战。本文通过提出一种新颖且实用的方法，用于HQNN的量子电路切割，使大型量子电路能够在有限量子比特的NISQ设备上执行。我们的方法不仅保留原始电路的准确性，还支持跨所有子电路的量子参数训练，这对于HQNN的学习过程至关重要。我们提出的HQNN切割方法采用贪心算法识别高效切割点，并实现可训练的子电路，旨在最大化NISQ设备在HQNN中的效用。研究结果表明，量子电路切割是一种推动当前量子硬件上QML的有前景技术，因为切割后的电路在准确性和量子比特需求方面均与原始电路相当。代码已公开：https://github.com/eBrain4Everyone/QNN-Cutting。