[Paper] 基于图的贝叶斯优化用于量子电路架构搜索与不确定性校准代理模型

Source: arXiv - 2512.09586v1

概述

设计既具表现力又友好硬件的变分量子电路（VQC）是将量子机器学习（QML）推向真实世界问题的最大障碍之一。本文提出了一种 基于图的贝叶斯优化（BO）框架，利用图神经网络（GNN）代理模型自动发现并细化 VQC 架构。通过将电路视为图并结合不确定性感知的 BO，作者在网络安全数据集上实现了竞争（往往更好）的分类性能，同时保持电路深度和门数低。

关键贡献

• VQC 的图表示： 将量子比特、门以及连通性编码为有向图，支持系统化的变异（添加/删除门、重新连线）。
• 不确定性校准的 GNN 代理： 训练 GNN 预测电路性能，并通过 Monte‑Carlo dropout 量化预测不确定性，将其输入 BO 获取函数。
• 带不确定性的期望改进（EI）获取函数： 引导搜索朝向有前景且尚未充分探索的电路设计，平衡利用与探索。
• 全面基准测试： 在 NF‑ToN‑IoT‑V2 网络安全数据集上与 MLP 代理、随机搜索和贪婪 GNN 选择器比较，展示了更低的电路复杂度和相等或更高的准确率。
• 鲁棒性分析： 在一系列真实量子噪声通道（幅度/相位阻尼、热松弛、去极化、读取错误）下评估发现的电路。
• 开源、可复现的流水线： 包含时间基准、最佳电路导出以及数据预处理、量子嵌入和训练脚本。

方法论

1. 数据准备 – 对原始 NF‑ToN‑IoT‑V2 遥测数据进行过滤、特征选择并缩放，以适配近端设备的有限量子比特数。使用幅度或角度嵌入将经典特征编码为量子态。
2. 电路图构建 – 将每个 VQC 转换为图，节点代表量子门（如 Rx、CNOT），边捕获时间顺序和量子比特连线。
3. 代理建模 – GNN 接收这些图并学习预测对应混合量子‑经典分类器的验证准确率。推理时使用 Monte‑Carlo dropout 产生均值预测和方差（不确定性）。
4. 贝叶斯优化循环
   • 获取函数： 使用代理的均值和不确定性计算期望改进（EI）。
   • 变异： 对得分最高的电路进行变异（插入、删除门、重新连线），生成候选池。
   • 评估： 在量子模拟器（或真实硬件）上运行候选电路以获得真实准确率，并将结果反馈用于重新训练 GNN。
5. 停止准则 – 当达到固定的电路评估预算或 EI 低于阈值时终止循环。

整个流水线模块化，开发者可以在不改写核心搜索逻辑的前提下替换代理（例如用 transformer 取代 GNN）或获取函数。

结果与发现

• GNN‑BO 持续发现 更浅的电路，且纠缠门更少，这在噪声硬件上转化为更低的错误率。
• 准确率与基线持平或更佳，表明代理的不确定性引导并未牺牲性能。
• 噪声鲁棒性测试显示，在真实的去极化噪声（p = 0.01）下 ≤ 2 % 的性能下降，而随机搜索得到的更深电路准确率下降 > 5 %。

实际意义

• 加速 QML 原型开发： 开发者只需接入自己的数据集，即可让 BO 引擎自动推荐硬件友好的 VQC，省去数周的手工架构调优。
• 硬件感知设计： 通过对深度和双量子比特门数的惩罚，框架自然生成符合当前超导或离子阱设备相干时间的电路。
• 成本效益实验： 代理显著降低了昂贵的量子硬件运行次数——仅需几十次完整评估即可收敛。
• 可迁移到其他领域： 图表示与任务无关，可复用于量子化学 ansatz、强化学习策略或任何变分算法。
• 开源工具链： 提供的代码库可集成到现有量子 SDK（Qiskit、Pennylane、Cirq），实现 CI 流水线，随硬件升级自动演化电路架构。

局限性与未来工作

• 向更大比特数的可扩展性： 目前实验受限于 ≤ 8 个量子比特的模拟器；处理 > 20 个比特可能需要层次化图编码或稀疏感知的 GNN。
• 代理训练成本： 虽比完整量子评估便宜，但训练 GNN 仍需适度的 GPU 资源和精心挑选的标记电路集合。
• 数据集特异性： 本研究聚焦于网络安全遥测数据；在图像或自然语言任务上的表现尚待验证。
• 噪声模型真实性： 模拟噪声通道只能近似真实硬件，无法捕获所有串扰和校准漂移；未来工作将涉及在实际量子处理器上的闭环优化。

总体而言，本文提供了一套面向开发者的自动化量子电路发现方案，弥合了理论 QML 研究与生产级量子应用之间的鸿沟。

作者

• Prashant Kumar Choudhary
• Nouhaila Innan
• Muhammad Shafique
• Rajeev Singh

论文信息

• arXiv 编号： 2512.09586v1
• 分类： quant-ph, cs.AI, cs.LG, cs.NE, cs.NI
• 发布日期： 2025 年 12 月 10 日
• PDF： Download PDF