FAQNAS：基于遗传算法的FLOPs感知混合量子神经网络架构搜索
机器学习
2026-01-09 v2
摘要
混合量子神经网络（Hybrid Quantum Neural Networks, HQNNs）将可参数化的量子电路与经典神经层结合，正在成为噪声中间规模量子（NISQ）时代的前景模型。虽然量子电路通常以浮点运算次数（FLOPs）计量，但大多数HQNNs（在NISQ时代）仍在经典模拟器上训练，FLOPs直接决定运行时长和可扩展性。因此，FLOPs是衡量HQNNs计算复杂度的实用且可行的指标。本文引入FAQNAS，一个FLOPs感知的神经网络架构搜索（NAS）框架，将HQNN设计形式化为在准确率与FLOPs之间进行多目标优化。不同于传统方法，FAQNAS显式地将FLOPs纳入优化目标，从而发现在计算成本最小化的同时仍能实现卓越性能的架构。实验在五个基准数据集（MNIST、Digits、Wine、Breast Cancer和Iris）上进行，结果显示量子FLOPs主导准确率提升，而经典FLOPs基本保持不变。Pareto最优解表明，与FLOPs不敏感的基线方法相比，显著降低的计算成本即可常常实现竞争性的准确率。我们的研究在NISQ时代将FLOPs感知性确立为HQNN设计的实用准则，并作为未来HQNN系统的可扩展原则。
引用
@article{arxiv.2511.10062,
title = {FAQNAS: FLOPs-aware Hybrid Quantum Neural Architecture Search using Genetic Algorithm},
author = {Muhammad Kashif and Shaf Khalid and Alberto Marchisio and Nouhaila Innan and Muhammad Shafique},
journal= {arXiv preprint arXiv:2511.10062},
year = {2026}
}