面向黑箱景观的代理导向量子发现：基于潜在二次互动嵌入的 Transformer

在高昂的黑箱评估成本和严格查询预算下，发现既高实用又结构多样的配置仍是数据驱动发现的核心挑战。许多经典优化器聚焦于主导模式，而质量-多样性方法需要大量评估预算来填充高维档案。量子近似优化算法 (QAOA) 提供分布式抽样但需要明确的问题哈密顿量，在黑箱场景下该哈密顿量不可得。实际量子电路倾向于采用二次哈密顿量，因为高阶相互作用项实现成本较高。我们扩展了此代理到哈密顿量的方法，通过自注意力建模更高阶变量依赖关系，并将其投影到与 QAOA 兼容的正半定态二次形式。这使得从学习的能量景观中进行多样性导向的量子抽样成为可能，同时捕获超二次项的相互作用结构。我们在企业文档处理系统的风险发现任务上进行评估，对比多样的经典优化器。量子引导的抽样器在实用性上具竞争力，同时持续改善结构多样性和独特发现。FM 代理提供更强的早期覆盖，而我们的方法则实现更高保真度的代理景观和更好的极端案例发现。我们的 метод在发现结构性尾部风险异常方面大约比大多数经典基线高出两倍，并识别出一部分高实用配置，这些配置在竞争方法中未被发现，这凸显了有效学习更高阶相互作用结构并将其投影到二次代理哈密顿量以进行量子辅助黑箱发现的重要性。