⚛️ quantum physics

Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates

本文提出了一种基于图的贝叶斯优化框架，该框架利用带有蒙特卡洛丢弃（Monte Carlo dropout）以进行不确定性校准的图神经网络（GNN）代理模型，旨在自动发现用于网络安全分类任务的高效且鲁棒的变分量子线路。

原作者： Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

发布于 2026-07-14

📖 1 分钟阅读🧠 深度阅读

原作者： Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图构建一个完美的量子计算电路，以解决一个棘手的谜题，比如在海量的网络流量流中识别网络攻击。问题在于，排列这些微小的量子“门”（电路的构建模块）的方式实在太多了，试图尝试每一种组合，就像为了寻找一个好故事而去阅读一座宇宙规模图书馆里的每一本书一样。这是不可能实现的。

这篇论文介绍了一个聪明的自动化侦探——基于图的贝叶斯优化（Graph-Based Bayesian Optimization），它无需检查每一种可能性就能找到最佳的电路设计。以下是它的工作原理，我们用一些有趣的类比来解释。

问题所在：“扁平”与“3D”地图

通常，当计算机尝试猜测哪个电路设计更好时，它们会看一个简单的数字列表，比如“门的总数”或“电路的深度”。作者认为，这就像仅仅通过统计建筑物的数量来评判两座不同的城市。两座城市可能有相同数量的建筑物，但一座可能是混乱的扩张，而另一座则是完美的网格布局。简单的数字列表忽略了“形状”和“连接”。

论文明确反对使用这些简单的、扁平的数字列表（他们称之为“固定向量代理”或 MLP），因为这些方法会将独特的电路形状压缩成看起来完全相同的数字。相反，作者建议将每个电路视为一个图（Graph）——一个其中门是点、连接是线的地图。这保留了电路独特的“拓扑结构”或形状，就像真实的地图保留了街道的布局一样。

解决方案：具备不确定性感知能力的架构师

作者构建了一个像超级聪明且能边学边做的架构师一样的系统。

图神经网络 (GNN)： 这是架构师的大脑。它观察电路的图谱。作者特别使用了名为图同构网络 (GIN) 的大脑类型，因为它非常擅长区分两个看起来相似但实际上不同的图。
“直觉”（不确定性）： 架构师不仅进行猜测，还知道自己有多不确定。该系统使用了一种称为 蒙特卡洛丢弃 (Monte Carlo dropout) 的技巧，这就像要求架构师在略微不同的“情绪”下进行 30 次相同的预测，以观察它们的答案变化程度。如果答案变化很大，系统就知道：“我对这个不太确定，让我们探索一下！”如果答案都一样，系统就知道：“我有信心。”
现实的代价： 系统不仅仅寻找最准确的电路；它还会寻找一个不会在真实硬件上崩溃的电路。它为那些过深、拥有过多两比特门（容易出错）、或需要过多额外“SWAP”操作才能适配真实量子芯片的电路添加了“惩罚项”。

实验：一次网络安全试驾

为了测试这一点，研究人员使用了一个名为 NF-ToN-IoT-V2 的数据集，其中包含 10,000 个网络流量样本（有些是正常的，有些是攻击）。他们将其视为训练场。

他们设置了一个贝叶斯优化循环：系统建议一个电路，测试它，学习结果，然后建议一个更好的电路。
他们测试了具有 8、10 和 12 个量子比特（qubits） 的电路。
他们将基于图的方法与以下方法进行了对比：
- 随机搜索 (Random Search)： 通过投掷飞镖的方式来挑选设计。
- 贪婪 GNN (Greedy GNN)： 只挑选当前看起来最好的，而不考虑长远。
- MLP 代理 (MLP Surrogate)： 他们所反对的“扁平列表”方法。

结果：模拟展示了什么

研究人员在超级计算机（具体为 IIT BHU 的 PARAM Shivay）上运行了这些测试，使用的是模拟环境。他们并没有在实际的物理量子硬件上运行，而是在模拟中加入了真实机器中存在的噪声。

更高的准确率： 基于图的方法 (BO+VQC+GNN) 始终能找到比其他方法更准确地分类网络流量的电路。例如，在 12 个量子比特 的情况下，它实现了 94.25% 的测试准确率，击败了排名第二的方法 (BO+VQC+MLP)，后者的准确率为 92.95%。
更精简的电路： 通过图方法找到的电路更加“精简”。它们以更少的门和更浅的深度实现了高准确率，这意味着它们更高效。
噪声韧性： 作者测试了这些电路在不同类型的“噪声”（真实量子计算机中发生的错误）下的表现。
- 有趣的是，在振幅阻尼 (amplitude damping) 和 热弛豫 (thermal relaxation) 噪声下，电路的表现实际上比完美的无噪声模拟情况略好（提升高达 3.45%）。作者认为这是因为噪声起到了类似轻微正则化的作用，平滑了决策边界。
- 然而，去极化噪声 (depolarizing noise)（一种随机错误）表现最差，使准确率下降了约 3.24%。
- 系统表明，通过这种方法设计的电路即使在“相干时间”（量子比特保持稳定的时间，以微秒为单位）发生变化时，依然保持稳健。

论文排除了什么以及局限性

作者谨慎地说明了他们的研究不是什么。

他们明确排除了“简单的数字列表（如仅计算门的数量）足以设计出优秀电路”的观点。他们的数据表明，这些扁平方法错失了关键的结构细节。
他们承认其结果是基于模拟。虽然他们模拟了现实的噪声（如振幅阻尼、相位阻尼和概率为 0.02 的读取比特翻转错误），但尚未在物理量子设备上运行这些特定的电路。他们承认，真实硬件的表现可能会有所不同。
他们指出，虽然他们的方法很高效，但“墙钟时间”（实际运行时间）主要由训练量子模型的时间决定，而非图分析本身的时间。

核心结论

这篇论文表明，如果你想自动设计量子电路，你应该停止将它们视为一袋数字，而应将其视为一张地图。通过使用一个懂得在猜测时如何表达不确定性的图结构大脑，并对过于昂贵或脆弱的设计进行惩罚，你可以找到既准确又高效的电路。作者发现这种方法在他们的模拟中表现良好，能够产生对常见噪声具有鲁棒性的电路，并且优于旧的搜索方法，但他们也提醒我们，在真实硬件上的最终测试仍是未来的任务。

技术摘要：基于图的贝叶斯优化用于量子线路架构搜索

1. 问题陈述

设计变分量子线路（VQC）是实现实用化量子机器学习（QML）的关键瓶颈，特别是针对涉及复杂现实世界数据的任务。VQC 的性能高度依赖于其架构设计——即量子门的排列、类型和连通性——而不仅仅是其连续参数。然而，搜索这种设计空间是一个高维、非凸的优化问题。随着量子比特数和线路深度的增加，组合搜索空间呈爆炸式增长，使得暴力枚举变得难以实现。

现有的自动化量子架构搜索方法面临着几个特定的挑战：

表示能力的局限性： 许多方法依赖于固定大小的向量代理（例如，统计总门数或深度），这会将结构上不同（非同构）的线路压缩为相似的特征向量，从而无法捕捉拓扑细微差别。
不确定性失准： 贝叶斯优化（BO）需要能够提供校准后的认知不确定性（epistemic uncertainty）的代理模型，以平衡探索与开发。标准方法通常缺乏这种校准能力。
硬件不敏感性： 搜索过程往往忽略了在转译（transpilation）到真实硬件过程中产生的路由开销（额外的 SWAP/CNOT 门）和退相干效应（弛豫和去相位），导致设计的线路在模拟中表现良好，但在实际设备上表现不佳。
搜索膨胀： 算法往往会向深层、具有大量双比特门布局的方向漂移，这在含噪声中规模量子（NISQ）设备上是不可行的。

2. 方法论

作者提出了一个统一的端到端框架，该框架将基于图的贝叶斯优化与**图神经网络（GNN）**代理相结合，旨在自动化发现鲁棒且硬件高效的 VQC。

2.1 图表示

不同于使用标量特征向量，线路被编码为有向无环图（DAG）。

节点： 代表门操作（如 $R_X, R_Z, CZ, CX$ ），其特征包括单热编码（one-hot）的门类型、归一化的时间位置以及量子比特入射情况。
边：捕捉时间邻接性和共享量子比特的连通性。
代理模型： 采用轻量级的图同构网络（GIN）作为代理模型。选择 GIN 是因为其具有强大的图判别能力（达到 Weisfeiler-Lehman 测试水平）。为了估计认知不确定性，GNN 在推理过程中利用蒙特卡洛（MC）Dropout，生成预测分布而非单一的点估计。

2.2 贝叶斯优化循环

搜索过程遵循标准的 BO 循环，但进行了硬件感知的修改：

候选生成： 通过对顶级性能线路的父类池进行局部突变（门插入、替换或移除）来生成新线路。
代理评分： GIN 代理预测候选图的验证性能（ $\hat{\mu}$ ）和不确定性（ $\hat{\sigma}$ ）。
采集函数： 作者引入了一种成本与噪声感知型期望改进（EI）采集函数。标准的 EI 被一个指数成本项所调节：
$ACQ = EI(\hat{\mu}, \hat{\sigma}) \cdot \exp(-\alpha \cdot C_{total})$
其中 $C_{total}$ 聚合了归一化的结构成本（深度、总门数、双比特门计数、CZ 计数）以及源自相对于 $T_1$ 和 $T_2$ 弛豫时间的门时间所推导出的退相干代理指标。该机制惩罚了容易产生退相干和映射开销的深层、高度纠缠的线路。
评估： 根据采集函数选出的前 $k$ 个候选者，在 NF-ToN-IoT-V2 网络安全数据集上通过混合量子-经典变分分类器进行评估。
更新： 在新数据点上重新训练代理模型。

2.3 噪声建模

为了确保鲁棒性，该框架在评估过程中整合了真实的噪声模型，包括：

幅度阻尼（AD）和相位阻尼（PD）。
热弛豫（广义幅度阻尼 + PD）。
去极化噪声（Depolarizing noise）。
读取比特翻转错误。
通过对 $T_1$ 和 $T_2$ 相干时间进行扫描，以绘制性能景观图。

3. 核心贡献

本文声称具有以下具体贡献：

结构感知型代理： 使用带有 MC Dropout 的 GIN 代理来预测 VQC 性能和校准后的不确定性，从而保留了标量特征会丢失的拓扑信息。
成本与噪声感知的采集： 一种经过调优的 EI 目标函数，集成了归一化的复杂度指标和退相干感知惩罚，使搜索偏向于硬件可行的线路。
硬件现实的优化： 将编译诱导的成本（路由、SWAP）和退相干模型直接集成到 BO 循环中，以缩小模拟器与实际设备之间的差距。
全面的噪声研究： 在各种噪声通道和相干时间（ $T_1 \times T_2$ ）扫描下对电路鲁棒性进行了广泛评估。
公平评估与可复现性： 在经过无泄漏预处理的平衡 NF-ToN-IoT-V2 数据集子集上进行实验，并与基于 MLP 的 BO、贪婪 GNN 选择和随机搜索进行对比。所有人工制品（代码、线路、指标）均拟公开发布。

4. 实验结果

该框架在 NF-ToN-IoT-V2 数据集（网络流量分类）上进行了评估，涵盖不同的量子比特数量（5, 8, 10, 和 12）。

性能： BO+VQC+GNN 方法在验证准确率和测试准确率方面始终优于基准模型（BO+VQC+MLP、贪婪 GNN、随机搜索）。值得注意的是，在 12 个量子比特时，基于 GNN 的方法达到了 94.25% 的测试准确率，显著高于基于 MLP 的代理（92.95%）和随机搜索（83.55%）。
收敛性： GNN 引导的优化器展示了更快的收敛速度和更好的样本效率。它实现了早期且稳定的收敛，而 MLP 基准则表现出较慢的改进和偶尔的停滞，尤其是在较高的突变预算下。
代理保真度： GNN 代理的排名保真度（通过 Kendall's $\tau$ 衡量）随迭代次数稳步提高，表明图表示能随着更多数据的积累有效地学习如何正确对候选者进行排序。
帕累托效率： 该方法识别出了位于帕累托前沿的线路，这些线路在实现高准确率的同时，比基准模型具有更低的复杂度（更少的门和更浅的深度）。结果强调了过度深层电路的收益递减，验证了成本调节机制的有效性。
噪声鲁棒性： 所学习的线路表现出很强的鲁棒性。有趣的是，在幅度阻尼和热弛豫作用下，测试准确率较无噪声基准略有提升（可能是由于正则化效应），而去极化噪声导致的性能下降最为显著。这些线路在广泛的 $T_1$ 和 $T_2$ 取值范围内保持了性能。
效率： 墙钟时间分析显示，GNN 代理带来的额外开销相对于 VQC 评估时间可以忽略不计，这使得基于图的方法具有可扩展性。

5. 重要性与主张

本文将这项工作定位为迈向近未来架构的可扩展 QML 的务实步骤。作者声称，通过使用结构感知、不确定性校准的代理以及物理启发式采集来自动化电路发现，可以生成同时具备高准确度、高效率和高鲁棒性的电路。

作者强调的关键要点包括：

克服表示限制： 图编码在区分电路功能和拓扑方面优于标量特征。
弥合差距： 将转译成本和退相干模型集成到搜索循环中，防止发现仅在“模拟中表现良好”但在实际硬件上失效的电路。
可扩展性： 该框架在不引起计算成本爆炸的情况下，随量子比特数量平滑扩展，为自动化量子电路设计提供了一条可复现的路径。

作者承认了一些局限性，指出主要的评估依赖于模拟器（这可能会高估设备上的表现），且复杂度是通过轻量级惩罚而非完整的多目标优化来处理的。未来的工作建议包括多保真度 BO、更丰富的算符集以及直接在量子硬件上进行优化。