基于图的贝叶斯优化用于量子电路架构搜索，采用不确定性校准的代理模型

量子电路设计是实现复杂实际数据上实际量子机器学习关键瓶颈。我们提出了一种自动化框架，用于基于图的贝叶斯优化结合图神经网络（GNN）代理的变分量子电路（VQC）的发现与优化。电路被表示为图结构，通过蒙特卡洛 dropout 采集代理不确定性信息，并基于期望改进获取函数进行变异和选择。候选电路在经过特征选择和量子嵌入缩放后，在下一个代 firewall telemetry and network internet of things (NF-ToN-IoT-V2) 网络安全数据集上使用混合量子-经典变分分类器进行评估。我们将管道与基于多层感知器的代理模型、随机搜索和贪心 GNN 选择方法进行基准测试。GNN 指导的优化器在所有基线方法中一致找到复杂度更低且分类准确率竞争或更优的电路。通过包括幅度衰减、相位衰减、热力学热平衡、去极化和读出位翻转噪声等标准量子噪声通道的噪声研究评估了鲁棒性。该实现完全可复现，包含时间基准测试和最佳电路导出，为自动化量子电路发现提供了可扩展且可解释的路径。