Élivágar：用于分类的高效量子电路搜索

为量子机器学习设计高性能且噪声鲁棒的电路具有挑战性——设计空间随电路大小呈指数级增长，并且几乎没有得到充分支持的量子机器学习电路设计指导原则。尽管最近的量子电路搜索方法试图搜索既对硬件噪声鲁棒又性能良好的量子机器学习电路，但它们直接采用了经典神经架构搜索的设计，这些设计与量子硬件的独特约束不一致，导致搜索开销高和严重的性能瓶颈。我们提出了Élivágar，一种新颖的资源高效、噪声引导的量子电路搜索框架。Élivágar在量子电路搜索的三个主要方面——搜索空间、搜索算法和候选评估策略——进行了创新，以解决当前经典启发的量子电路搜索方法中的设计缺陷。Élivágar通过噪声和器件拓扑感知的候选生成实现了硬件效率，并避免了昂贵的电路映射协同搜索。通过引入两个计算成本低廉的预测器——克利福德噪声弹性和表示能力——Élivágar将噪声鲁棒性和性能的评估解耦，从而能够早期拒绝低保真电路并降低电路评估成本。由于其资源效率，Élivágar还可以进一步搜索数据嵌入，从而显著提高性能。基于在12个真实量子器件和9个量子机器学习应用上对Élivágar的全面评估，与最先进的量子电路搜索方法相比，Élivágar实现了5.3%的更高准确率和271倍的加速。