⚛️ quantum physics

QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks

本文提出了 QNAS 框架，通过结合硬件感知评估、多目标优化及电路切割开销感知，利用共享参数超电路和 NSGA-II 算法自动搜索出在 NISQ 设备上兼顾准确性、效率与资源约束的混合量子经典神经网络架构。

原作者： Kooshan Maleki, Alberto Marchisio, Muhammad Shafique

发布于 2026-04-09

📖 1 分钟阅读🧠 深度阅读

原作者： Kooshan Maleki, Alberto Marchisio, Muhammad Shafique

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

这是一篇关于**“如何为量子计算机设计最聪明的神经网络”的论文。为了让你轻松理解，我们可以把这篇论文想象成是在“为一家即将开业的量子餐厅寻找最佳菜单和厨房布局”**的故事。

1. 背景：量子餐厅的困境

想象一下，你开了一家非常先进的量子餐厅（量子神经网络，QNN）。

挑战一（食材有限）： 现在的量子计算机（NISQ 设备）就像是一个只有4 个灶台的小厨房。但是，你想做的菜（处理的数据）非常复杂，可能需要 8 个甚至更多灶台才能同时操作。
挑战二（切菜太慢）： 如果灶台不够，厨师（算法）就得把一道大菜切成几小块，分几次做，最后再拼起来。这叫做**“电路切割”。但这有个大问题：切得越碎，拼起来越麻烦，而且每切一刀，工作量就会指数级爆炸**（就像切蛋糕，切两刀可能要多做 4 倍的工作，切三刀要多做 16 倍）。
挑战三（试错太贵）： 以前，厨师们靠“凭感觉”（人工设计）来搭配菜单。但这很容易失败：要么菜太难吃（准确率不高），要么太费时间（资源消耗太大），要么切菜切到崩溃（无法在现有设备上运行）。

2. 主角登场：QNAS（智能菜单设计师）

为了解决这些问题，作者们发明了一个叫 QNAS 的“超级 AI 菜单设计师”。它的任务不是做一道菜，而是自动寻找出那个**“最好吃、最快、最省灶台”**的完美菜谱。

QNAS 的核心魔法有三招：

第一招：一次性尝遍所有可能（One-Shot SuperCircuit）

想象一下，如果厨师要试 100 种菜谱，传统方法是把每种都从头做到尾，太慢了。
QNAS 的做法是：它先准备一个**“超级大锅”（SuperCircuit），里面包含了所有可能的调料和步骤。它只让厨师快速试做几口**（只训练几个 Epoch），就能大概猜出这道菜最终好不好吃。

比喻： 就像你不用把整桌菜都做完，只要尝一口汤底，就能判断这道菜是不是你喜欢的风格。这大大节省了时间。

第二招：三个目标的“走钢丝”（多目标优化）

QNAS 不像以前的设计师只盯着“好不好吃”（准确率）。它手里拿着三个天平，必须同时平衡：

味道（准确率）： 菜必须好吃。
上菜速度（运行成本）： 必须快，不能让客户等太久。
切菜难度（切割开销）： 这是 QNAS 最厉害的地方！它专门计算这道菜如果要在小厨房（4 个灶台）做，需要切几刀？它极力避免那些需要切很多刀的方案，因为切多了，上菜时间会指数级变慢。

它使用一种叫 NSGA-II 的进化算法，就像**“自然选择”**：

生成 100 个菜谱（基因）。
试做一下，淘汰那些“又难吃又慢”的。
把“好吃且快”的菜谱互相“杂交”（组合优点），再随机“突变”（尝试新调料）。
经过几轮筛选，最后留下一组**“帕累托最优”**的菜谱：你要么选最好吃的，要么选最快的，要么选最省灶台的，但无法同时拥有所有极致，只能根据需求做权衡。

第三招：提前模拟真实厨房（硬件感知）

QNAS 在选菜谱时，不是凭空想象，而是会模拟真实的量子硬件（比如 IBM 的量子计算机）。它会考虑：

如果两个灶台离得太远，连线会不会太长？
如果设备有噪音（像厨房里有风），菜会不会做坏？
它会在虚拟的“假厨房”里先跑一遍，确保选出来的菜谱在真实设备上也能跑通。

3. 实验结果：QNAS 找到了什么？

作者用三个数据集（MNIST 手写数字、Fashion-MNIST 衣服图片、Iris 鸢尾花数据）测试了这个系统，结果非常惊人：

对于图片（MNIST）：
- QNAS 发现，"Y 轴角度嵌入”（一种特定的数据输入方式）配合**“稀疏的 CNOT 模式”**（只连接特定的几个灶台，而不是乱连）效果最好。
- 成果： 用只有8 个量子比特（灶台）的小电路，就做出了**97.16%**准确率的菜！而且它自动发现，如果强行用太复杂的连接，切菜成本会高得离谱。
对于表格数据（Iris）：
- 有趣的是，对于这种小数据，“幅度嵌入”（另一种输入方式）反而更好。
- 成果： 用4 个量子比特就做到了**100%**准确率！
关键发现：
- 越简单越有效： 以前大家觉得连接越复杂越好，但 QNAS 发现，“稀疏连接”（少切几刀，少连几根线）反而既快又准。
- 自动避坑： 系统自动避开了那些虽然理论准确率高，但一旦要在小设备上运行就需要切几十刀（导致时间无限长）的“垃圾方案”。

4. 总结：这对你意味着什么？

这篇论文就像是在说：

“别再靠猜来设计量子算法了。我们有一个自动工具（QNAS），它能帮你找到既聪明、又省钱、还能在现有小设备上跑得动的最佳方案。它甚至能告诉你，哪种数据输入方式最适合你的任务，以及哪种连接方式能避免‘切菜’带来的灾难性延迟。”

一句话概括：
QNAS 是一个**“量子菜谱优化大师”，它通过智能进化，帮我们在有限的量子硬件上，找到了“好吃、快、且不费工”**的完美平衡点，让量子计算真正从实验室走向实用。

QNAS 技术总结：面向准确且高效的量子神经网络的架构搜索框架

1. 研究背景与问题定义

在含噪声中等规模量子（NISQ）设备上部署量子神经网络（QNN）面临巨大挑战。现有的手工设计量子电路（Ansatz）需要在表达能力、可训练性和硬件资源之间进行权衡，且常受限于“ barren plateaus"（ barren 高原，即梯度消失）问题。

现有方法的局限性：

资源优化不足： 现有的量子架构搜索（QAS）方法主要优化预测精度，仅启发式地控制量子资源（如量子比特数、门数量、深度），往往忽略了**电路切割（Circuit Cutting）**带来的指数级开销。
部署成本被忽视： 当电路规模超过硬件原生量子比特预算时，必须通过电路切割将大电路分割为小电路。然而，每次切割都会引入额外的测量和经典后处理，导致执行次数呈 $O(4^k)$ 指数增长（ $k$ 为切割次数）。现有方法很少将此开销纳入优化目标，导致发现的高精度架构在实际硬件上因切割成本过高而无法部署。

核心问题： 如何设计一个架构搜索框架，能够同时优化精度、运行成本（时间）以及电路切割开销，从而发现既准确又能在有限量子比特硬件上高效部署的混合量子 - 经典神经网络（HQNN）？

2. 方法论：QNAS 框架

QNAS（Quantum Neural Architecture Search）是一个统一的神经架构搜索框架，结合了硬件感知的单次评估（One-shot Evaluation）、多目标优化和切割开销感知。

2.1 搜索空间设计

QNAS 在混合量子 - 经典神经网络（HQNN）的模板上进行搜索，基因组包含以下关键参数：

嵌入类型（Embedding）： 角度嵌入（Angle-X/Y/Z）或幅度嵌入（Amplitude）。
电路规模： 量子比特数（ $n$ ）和层数（ $L$ ）。
纠缠模式：
- 纠缠范围（ $r$ ）： 决定量子比特间连接的跨度（如最近邻、隔一个连接等）。
- CNOT 模式（ $m$ ）： 控制哪些量子比特对执行纠缠门（All, Odd, Even, None）。
超参数： 学习率等。

2.2 评估与目标函数

QNAS 采用NSGA-II（非支配排序遗传算法 II）进行多目标优化，在少量训练轮次（Few-epoch）下评估候选架构，优化以下三个目标：

验证误差 ( $F_1$ )： $1 - \text{Accuracy}_{val}$ ，直接衡量模型精度。
运行时成本代理 ( $F_2$ )： 验证循环的墙钟时间（Wall-clock time）除以样本数，反映实际执行效率。
切割开销 ( $F_3$ )： 在目标量子比特预算（ $Q_{target}$ ）下，估计所需的子电路数量。最小化 $F_3$ 旨在减少因电路分割导致的指数级执行成本。

2.3 搜索流程

单次评估（One-shot）： 训练一个共享参数的SuperCircuit（超电路），在少量训练轮次（如 2-5 个 epoch）和子集数据上快速评估大量候选架构。
多目标进化搜索： 利用 NSGA-II 在 $(F_1, F_2, F_3)$ 空间中寻找帕累托最优解（Pareto Front），平衡精度、成本和切割开销。
最终重训练： 从帕累托前沿中筛选出的候选架构，在完整数据集上进行更多轮次的重新训练，以获得最终性能报告。
硬件映射与转译： 支持将候选电路转译到特定的 NISQ 设备（如 IBM 的 fake backends），考虑拓扑连接和噪声模型，评估实际部署可行性。

3. 主要贡献

硬件感知的单次评估流水线： 将权重共享的 SuperCircuit 与少量训练轮次结合，摊销了评估大量候选者的成本，同时考虑了 NISQ 约束（如 shot 数、深度）。
多目标优化（精度、成本、切割开销）： 首次明确将**子电路数量（切割开销）**作为优化目标之一，直接解决 NISQ 设备扩展性瓶颈。
紧凑的 QNN 搜索空间： 定义了包含嵌入类型、比特数、深度、纠缠模式和 CNOT 模式的搜索空间，能够自动发现可训练且可部署的架构。
实证验证与设计洞察： 在多个基准测试中验证了框架的有效性，并揭示了不同数据模态下的最佳设计模式。

4. 实验结果

QNAS 在三个基准数据集上进行了评估：MNIST、Fashion-MNIST 和 Iris。

4.1 关键发现

嵌入类型与数据模态的关联：
- 图像数据（MNIST, Fashion-MNIST）： Angle-Y 嵌入配合稀疏的 CNOT 模式（如 "none-odd"）表现最佳。
- 表格数据（Iris）： **幅度嵌入（Amplitude Embedding）**表现最优，且在小规模数据集上能达到 100% 准确率。
纠缠模式的重要性： 稀疏的 CNOT 模式（如 "none-odd"）显著优于密集模式（"all"）。密集模式容易导致 barren plateaus，使精度接近随机猜测。
电路深度与比特数权衡： 深度为 2 的电路通常提供了最佳的精度 - 成本权衡。

4.2 具体性能指标

数据集	最佳架构配置	验证/测试准确率	量子比特数	层数	切割开销 ( $F_3$ )
MNIST	8-qubit, 2-layer, Angle-Y, none-odd	97.16% (Test)	8	2	5 (针对 $Q_{target}=4$ )
Fashion-MNIST	5-qubit, 2-layer, Angle-Y, none-none	87.38% (Test)	5	2	3 (针对 $Q_{target}=4$ )
Iris	4-qubit, 2-layer, Amplitude, none-odd	100% (Val)	4	2	6 (针对 $Q_{target}=2$ )

效率提升： 引入切割开销目标（ $F_3$ ）后，平均切割开销降低了约 62.8%，同时保持了相似的精度。
训练策略验证： 实验表明，在搜索阶段仅训练 2 个 epoch 即可与最终全训练模型的性能保持 >0.9 的相关性，极大地降低了搜索成本。

5. 意义与结论

QNAS 的核心价值在于：

解决部署瓶颈： 它不仅仅寻找高精度的量子电路，而是寻找在真实 NISQ 硬件限制下可实际部署的电路。通过显式优化切割开销，避免了发现“理论高精度但实际无法运行”的架构。
自动化设计洞察： 框架自动揭示了不同数据类型（图像 vs 表格）的最佳量子设计模式（如嵌入选择和纠缠稀疏性），为研究人员提供了可操作的设计指南。
多目标权衡可视化： 通过帕累托前沿，清晰地展示了精度、运行时间和硬件资源之间的权衡关系，帮助实践者根据具体硬件预算做出决策。

局限性： 目前评估主要集中在图像分类和表格数据，尚未在真实量子硬件上进行大规模验证（目前使用带噪声的模拟器）。

未来工作： 扩展至更多数据领域，在真实量子设备上验证，探索可微分 NAS 策略，以及研究不同硬件预算下的多预算分析。

综上所述，QNAS 为在 NISQ 时代构建实用、高效且准确的混合量子 - 经典神经网络提供了一套系统化的自动化工具和方法论。