Qubit-Wise Architecture Search Method for Variational Quantum Circuits

考虑到噪声水平的限制，量子机器学习的一个关键方面是设计具有少量量子门的高性能变分量子电路架构。与经典神经架构搜索（NAS）类似，量子架构搜索方法（QAS）采用强化学习、进化算法和超级网络优化等方法来提高搜索效率。本文提出了一种新的基于量子比特的架构搜索（QWAS）方法，它逐步搜索每个阶段的单比特配置，并结合蒙特卡罗树搜索算法将搜索空间划分为多个良好和不良子区域，以找到良好的量子架构。数值实验结果表明，我们提出的方法可以在一些实际任务中平衡电路性能和大小的探索和开发，例如MNIST、时尚和MOSI。据我们所知，QWAS在准确性和电路大小方面实现了所有任务的最新成果。

量子机器学习中高效的量子电路架构搜索问题

提出了一种逐个搜索一个量子比特配置的qubit-wise架构搜索（QWAS）方法，结合蒙特卡罗树搜索算法，将搜索空间划分为几个好的和坏的子区域，以平衡电路性能和大小的探索和开发

QWAS方法在MNIST、Fashion和MOSI等真实世界任务中实现了性能和电路大小方面的平衡，达到了最先进的结果；实验设计合理，使用了开源数据集；该方法可为量子机器学习的进一步研究提供思路

量子架构搜索中的其他方法包括强化学习、进化算法和超网络优化。