GAT-QNN：基于遗传算法的混合量子神经网络训练
量子物理
2026-04-17 v1
摘要
混合量子神经网络（HQNNs）将经典学习与参数化量子电路相结合，但其实际性能通常受限于（i）含噪声中等规模量子（NISQ）设备的噪声，以及（ii）量子电路架构庞大且离散的设计空间。此外，HQNNs 通常使用固定电路和单一后端进行训练，即使部署时经常面向编译和执行特性可能不同的异构后端。为应对这些挑战，我们提出了 GAT-QNN，这是一个基于遗传算法（GA）的框架，通过迭代采样微电路（子电路）、训练它们并将其学习到的参数重新整合到宏电路中，来训练一个宏电路（搜索空间）。训练后，我们运行一个独立的 GA 驱动推理阶段，该阶段使用训练好的宏电路权重评估候选微电路，并选择性能最佳的架构进行部署。这种两阶段方法实现了后端感知的微电路选择，无需重新训练每个候选架构，并且还可以通过部署从宏电路派生的更小的微电路来减少计算资源（门数）。我们在 MNIST 分类（四类）上验证了该方法，并报告了在多个后端上，GA 驱动推理的测试准确率持续提升 22-23%。
引用
@article{arxiv.2604.15048,
title = {GAT-QNN: Genetic Algorithm-Based Training of Hybrid Quantum Neural Networks},
author = {Tasnim Ahmed and Alberto Marchisio and Muhammad Kashif and Nouhaila Innan and Muhammad Shafique},
journal= {arXiv preprint arXiv:2604.15048},
year = {2026}
}