面向硬件的量子支持向量机
量子物理
2026-04-10 v1
摘要
在近期量子硬件上部署量子机器学习算法需要考虑设备特定的门集、连通性约束以及噪声特性。我们提出了一种面向硬件的神经网络架构搜索（NAS）方法，用于设计在IBM量子处理器上无需转换开销即可原生执行的量子特征映射。采用遗传算法演化受IBM托罗纳原生门（ECR、RZ、SX、X）约束的电路架构，我们展示了自动化架构搜索能够发现实现性能与无约束门搜索相当且保证硬件兼容性的量子支持向量机（QSVM）特征映射。在UCI乳腺癌威斯康星数据集上评估，我们的面向硬件的NAS发现一个仅使用IBM原生门（6个ECR、3个SX、3个RZ）的12门电路，在10量子比特上实现91.23%的准确率，实现零转换。相较于手工设计的量子特征映射（64%准确率）提升了27个百分点，接近经典RBF SVM基线（93%）。我们指出，在硬件意识搜索中移除架构约束（固定RZ位置）可获得3.5个百分点的提升，100%原生门使用消除了通用门编译中困扰的分解误差。我们的工作表明，面向硬件的NAS使量子核方法在当前噪声中间规模量子（NISQ）设备上实现实用可部署，电路架构可立即执行无需修改。
引用
@article{arxiv.2604.07856,
title = {Hardware-Aware Quantum Support Vector Machines},
author = {Adil Mubashir Chaudhry and Ali Raza Haider and Hanzla Khan and Muhammad Faryad},
journal= {arXiv preprint arXiv:2604.07856},
year = {2026}
}