ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
ConQUESTA 是一种面向量子神经网络的拓扑感知后训练剪枝框架，它通过筛选候选纠缠器并在显式约束下搜索完整的剪枝掩码，优化了任务准确率与硬件效率，在各种量子比特规模和数据集上实现了编译器诱导门数量与深度的显著降低。
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
在不久的将来，基于奇异量子力学法则构建的计算机可能会帮助解决目前标准机器无法处理的问题。这些量子计算机使用被称为“量子比特”（qubits）的微小信息单元，它们可以同时存在于多种状态中，从而允许它们同时探索许多种可能性。为了让这些机器能够执行诸如识别模式或分类数据之类的任务，科学家们使用由逻辑门组成的电路来对其进行编程。然而，构建这些电路非常困难，因为物理硬件通常是稀疏的；量子比特之间并非全部相互连接。为了让电路在这样的机器上运行，工程师必须插入额外的步骤，以便在遥远的量子比特之间移动信息，这就像是在路线图中添加绕行路线一样。这些被称为“路由操作”的绕行增加了复杂性和误差，使得最终的程序变得更慢且更不可靠。挑战在于设计一个既足够精确以完成任务，又足够简单以在这些不完美的硬件上高效运行的量子程序。
来自纽约大学阿布扎比分校的一个研究小组开发了一种新方法来解决这个特定问题，其重点在于量子神经网络已经训练完成之后发生的情况。想象一下，一名学生已经刻苦学习并掌握了一个学科，但最后的考试要求他们使用一套非常特定且有限的工具来书写答案。研究人员问道：哪些知识部分是可以被移除的，从而使答案符合这些工具的要求，同时又不影响获得好成绩的能力？他们创建了一个名为 ConQUESTA 的框架，它充当了这些量子电路的智能编辑器。该系统不仅仅是根据一眼看上去的重要性来删除电路的部分，而是将整个电路视为一个整体。它会模拟电路在不同类型的量子硬件上实际运行的情况，检查为了使其工作需要多少额外的步骤。
这一过程始于识别电路中哪些连接在物理上维护成本高昂，但对最终答案的贡献却微乎其微。该系统随后测试移除这些连接的许多不同组合，但它并不只是盲目猜测。它会对每个潜在的电路版本进行编译，将其转化为特定硬件的语言，以准确观察该版本究竟需要多少额外的步骤，即“绕行”。这是与以往方法的一个关键区别，以往的方法通常试图通过观察单个连接来节省资源。研究人员发现，同时移除一组连接会改变整个电路的布局，这种变化是无法通过简单地累加单个部分的节省量来预测的。通过搜索这些完整的组合，该系统找到了一个显著提高效率的版本，同时保持了原始模型的准确性。
在实验中，团队将这种方法应用于旨在识别数字图像、分类癌症类型和识别花卉的量子电路。他们将该方法应用于具有四个、六个和八个量子比特的电路，并在每种情况下都移除了超过一半的连接。结果令人瞩目。在识别花卉的任务中，新方法减少了超过百分之八十的所需资源，这比现有的最佳技术有了显著提升。对于其他任务，改进也十分显著，范围在百分之三十五到百分之七十二之间。至关重要的是，模型的准确性保持在高水平，证明了该系统可以在不破坏机器“大脑”的情况下剥离多余的重量。在初始修剪导致模型准确性略微下降的情况下，一段短暂的微调过程让系统得以恢复，确保了最终模型符合严格的性能标准。
研究人员还探索了这种方法如何随着问题的规模扩大而扩展。他们模拟了一个场景，即连接数量从寥寥数个增长到一百多个。如果没有他们的筛选过程，修剪电路的可能方式将会爆炸式增长至数百万种，使得找到最佳解变得不可能。然而，通过使用他们的智能筛选先缩小候选范围，该系统实际上只需要评估极小比例的可能性。即使原始选项的数量增长了数千倍，系统实际需要测试的版本数量也仅略微增加。这表明，该方法在未来可以处理规模更大、更复杂的量子计算机，而不会被海量的选择所困扰。
最终，这项工作为使量子神经网络适应现实世界的硬件提供了一种切实可行的方法。它并不是要取代从头设计这些网络的需求，而是为一旦构建完成后的优化提供了强大的工具。通过将电路视为一个单一且相互关联的系统，并针对硬件的现实情况进行测试，研究人员表明，创造出既强大又高效的量子程序是可能的。研究结果表明，通过适当的优化工具，理论上的量子算法与运行它们的物理机器之间的差距可以被缩小，从而让我们离量子计算机能够应对我们时代最艰巨挑战的时刻更近一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。