基于过滤超网络的移动学习系统高效量子神经架构搜索

《IEEE Journal on Miniaturization for Air and Space Systems》：Efficient Quantum Neural Architecture Search With Filtered Supernet for Mobile Learning Systems

　　

摘要：

在低连接性移动环境中，由于对中央服务器的访问受限，图像处理必须在设备端进行。然而，专门用于图像处理的深度学习模型需要大量计算，这使得它们不适合在这些环境中使用。为了克服这些局限性，量子神经网络（QNNs）提供了一种轻量级替代方案，通过利用量子优势，以更少的参数实现高性能。QNN 的性能依赖于参数化量子电路（PQC）结构，但由于巨大的搜索空间和硬件约束，确定最优设计具有挑战性。在不同的异构移动设备上应用相同的 QNN 往往会导致在变化的约束条件下性能下降。神经架构搜索（NAS）提供了一种自动化方法来优化针对设备特定局限性的 PQC 结构，尽管传统方法成本高昂且经常忽略量子约束。本文介绍了 GreedyQNAS，一个受 GreedyNAS 和 GreedyNASv2 启发的轻量级量子 NAS 框架。它通过在训练期间消除弱架构（定义为低性能候选者）来提高搜索效率。GreedyQNAS 采用两阶段搜索策略：在设备级约束下使用深度强化学习进行门放置位置的宏观级别搜索，以及使用过滤的一次性 NAS 进行选择最优门类型的微观级别搜索。在 medical-MNIST 数据集上，该方法将参数减少了 77%，同时保持了高准确率，证实了其在移动量子模拟推理中的效率。

I. 引言

移动设备包括平板电脑、手机和智能手表（简称手表）。这些设备的计算能力和内存有限，使得部署大规模深度学习模型具有挑战性 [3]。然而，实时图像处理既需要高准确率，也需要快速推理。在资源受限的条件下满足这些要求仍然是一个重大挑战 [4]。量子计算最近作为一种有前景的替代方案出现，以解决这些局限性。通过利用量子优势，如叠加和纠缠，它实现了显著的计算增益 [5], [6]。特别是，量子神经网络（QNNs）与经典神经网络（NNs）相比，在某些任务上展示了具有竞争力的性能，即使参数更少 [7]。这一优势在资源约束严格的移动环境中尤为相关。与那些为了减少参数而牺牲表示能力的经典轻量级模型不同 [8], [9]，QNNs 通过量子态表示保持有表现力的转换，同时使用更少的参数。除了这些移动特定优势外，它们的优势已在各个领域得到证明，包括联邦学习 [7]、强化学习（RL）[10]、目标检测 [11] 和软件分析 [12]。尽管有这些优势，但在移动平台上部署 QNN 时仍存在实际限制。当前的量子设备处于含噪中等规模量子（NISQ）阶段，这限制了可可靠使用的量子比特数量。更深的电路或拥有更多量子比特的电路更容易受到噪声影响，这会降低整体性能。为了能够在真实世界、资源受限的环境中部署，QNN 必须被设计为能够使用少量量子比特有效工作。