用于最优电路设计的遗传Transformer辅助量子神经网络
量子物理
2025-06-12 v1 神经与进化计算
摘要
我们提出遗传Transformer辅助量子神经网络（GTQNNs），一种混合学习框架，将Transformer编码器与浅层变分量子电路相结合，并通过NSGA-II多目标遗传算法自动微调电路。Transformer将高维经典数据压缩为紧凑的量子比特规模表示，而NSGA-II搜索帕累托最优电路，在（i）最大化分类准确率和（ii）最小化原语门数量（这是噪声中等规模量子硬件的关键约束）之间取得平衡。在四个基准数据集（Iris、Breast Cancer、MNIST和Heart Disease）上的实验表明，GTQNNs在大多数情况下以更少的门数量达到了与最先进的量子模型相当甚至更优的性能。混合费舍尔信息分析进一步揭示，训练后的网络远离贫瘠高原；随着量子比特预算的增加，主导曲率方向越来越与量子子空间对齐，确认Transformer前端有效地压缩了数据。综合来看，这些结果表明GTQNNs在完全适合当前NISQ设备的量子资源预算下提供了具有竞争力的性能。
引用
@article{arxiv.2506.09205,
title = {Genetic Transformer-Assisted Quantum Neural Networks for Optimal Circuit Design},
author = {Haiyan Wang},
journal= {arXiv preprint arXiv:2506.09205},
year = {2025}
}