QNAS：面向准确且高效量子神经网络的神经网络架构搜索框架
摘要
设计既准确又可部署在NISQ硬件上的量子神经网络（QNN）具有挑战性。手工设计的ansatz必须在表达性、可训练性和资源使用之间进行平衡，而有限的量子比特常常需要电路切割。现有的量子架构搜索方法主要优化准确率，而只是粗略地控制量子资源，基本忽略电路切割的指数级开销。我们引入QNAS，一个统一硬件感知评估、多目标优化和切割开销感知的神经网络架构搜索框架，用于混合量子经典神经网络（HQNN）。QNAS训练一个共享参数的SuperCircuit，并使用NSGA-II优化三个目标：（i）验证误差，（ii）衡量 wall clock 评估时间的运行成本代理，（iii）在目标量子比特预算下的估计子电路数量。QNAS在候选HQNN上进行少量训练周期的评估，并发现清晰的帕累托前沿，揭示了准确率、效率和切割开销之间的权衡。在MNIST、Fashion-MNIST和Iris基准上，我们观察到嵌入类型和CNOT模式选择对准确率和效率都有显著影响，在图像数据集上，角度-y 嵌入和稀疏纠缠模式优于其他配置，在表格数据（Iris）上则表现出 amplitude 嵌入的优势。在MNIST上，最佳架构以8量子比特、2层电路实现97.16%的测试准确率；在更具挑战性的Fashion-MNIST上，87.38%准确率采用5量子比特、2层电路；在Iris上，100%验证准确率采用4量子比特、2层电路。QNAS在搜索过程中自动揭示这些设计见解，指导实践者选择在准确率、资源效率和当前硬件可部署性之间取得平衡的架构。
引用
@article{arxiv.2604.07013,
title = {QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks},
author = {Kooshan Maleki and Alberto Marchisio and Muhammad Shafique},
journal= {arXiv preprint arXiv:2604.07013},
year = {2026}
}
备注
To appear at the IEEE International Joint Conference on Neural Networks (IJCNN), Maastricht, The Netherlands, June 2026