用于神经架构搜索的层次化量子电路表示

使用层次化量子电路（通常称为量子卷积神经网络（QCNN））进行机器学习，是近期量子计算的一个有前景的前景。QCNN 是一种受卷积神经网络（CNN）架构启发的电路模型。CNN 的成功在于它们无需人工特征设计，并能从原始数据中学习高级特征。神经架构搜索（NAS）在此基础上通过自动学习网络架构，实现了世界领先的性能。然而，将 NAS 应用于 QCNN 面临着独特的挑战，因为缺乏明确定义的搜索空间。在这项工作中，我们提出了一种新颖的框架，利用 NAS 技术来表示 QCNN 架构，从而支持搜索空间设计和架构搜索。使用该框架，我们生成了一系列流行的 QCNN，即那些类似于反向二叉树的 QCNN。然后，我们在音乐流派分类数据集 GTZAN 上评估了这一系列模型，以证明电路架构的重要性。此外，我们采用遗传算法来执行量子相位识别（QPR），作为使用我们的表示进行架构搜索的一个例子。这项工作提供了一种在不增加复杂度的情况下提高模型性能的方法，并能在代价景观中跳跃以避免贫瘠高原。最后，我们将该框架实现为一个开源 Python 包，以实现动态 QCNN 创建，并促进用于 NAS 的 QCNN 搜索空间设计。