Q-PhotoNAS：基于光子设备的混合量子神经网络架构搜索框架
量子物理
2026-05-22 v1 机器学习
摘要
光子量子计算是可扩展量子机器学习的有前景平台，但在硬件和优化约束下设计有效的混合架构仍具有挑战性。现有方法依赖手动调谐的架构，未能充分考虑经典预处理、相位编码与光子电路结构之间的协同作用，限制了准确性和硬件兼容性。本文提出一种用于混合光子量子-经典模型的神经架构搜索框架，将基于遗传算法的搜索与可学习的量子相位编码相结合，系统性地探索经典和量子组件的联合设计空间。我们的框架对 19 个超参数进行编码，分为六组基因，并通过基于组的交叉、逐基因突变和精英保留的方式演化混合架构，在短训练预算上评估每个候选方案，再对最佳发现的设计进行完整 retraining。我们在两个图像分类基准测试（Digits 和 MNIST）上评估了该框架，分别实现了 99.44% 和 98.78% 的最终验证准确率。对于 Quandela Ascella 光子 QPU，首要性执行时间估计显示，单个图像推理分别为 Digits 和 MNIST 所需时间为 67 毫秒和 149 毫秒。我们的量子贡献分析进一步表明，光子层提取的特征与经典路径正交，为经典-only 基线提供可衡量的准确性优势。我们的结果表明，自动化架构搜索在混合光子系统中既是实用的，也是有影响的，为光子设备上的量子 AI 系统性设计空间探索开辟了道路。
关键词
引用
@article{arxiv.2605.22097,
title = {Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices},
author = {Farah Elnakhal and Alberto Marchisio and Nouhaila Innan and Gabriel Falcao and Muhammad Shafique},
journal= {arXiv preprint arXiv:2605.22097},
year = {2026}
}