《Entropy》：SPA-QNAS: Improving Search Efficiency and Stability in Evolutionary Quantum Neural Architecture Search
编辑推荐：
量子神经架构搜索（QNAS）已成为一种有前景的方法，用于自动设计参数化量子电路（PQCs）以应用于近期量子机器学习任务。然而，基于量子进化算法（QEA）的QNAS方法在高维离散搜索空间中常常遭受分布集中缓慢和更新自适应性不足的问题，这限制了搜索效率和最终模型性
量子神经架构搜索（QNAS）已成为一种有前景的方法，用于自动设计参数化量子电路（PQCs）以应用于近期量子机器学习任务。然而，基于量子进化算法（QEA）的QNAS方法在高维离散搜索空间中常常遭受分布集中缓慢和更新自适应性不足的问题，这限制了搜索效率和最终模型性能。为了解决这些问题，研究人员提出结构概率自适应量子神经架构搜索（SPA-QNAS），一种基于EQNAS基准框架的搜索动力学增强的QNAS方法。SPA-QNAS在QPV驱动的进化搜索循环中引入了两种互补机制：结构概率增强（SPE）和自适应进化控制（AEC）。SPE强化精英结构决策以加速结构采样分布向高适应度区域集中，而AEC根据适应度反馈自适应调节非精英个体的旋转更新，从而改善更新稳定性并抑制无效扰动。在与EQNAS相同的搜索空间、电路模板和量子资源预算下，SPA-QNAS在MNIST和Warship基准数据集上进行了评估。多次独立运行的实验结果表明，与EQNAS相比，SPA-QNAS实现了更高的分类准确率和更稳定的性能。在代表性实验中，SPA-QNAS在与EQNAS相同的搜索空间和量子资源预算下，在MNIST上达到99.42%的分类准确率，在Warship上达到85.33%。这些结果表明，改善基于QPV的进化更新动力学是增强固定量子资源约束下QNAS稳定性和鲁棒性的有效途径。
量子神经架构搜索（QNAS，自动搜索量子电路结构的方法）近年来在自动设计参数化量子电路（PQC，含可训练参数的量子电路）方面展现出潜力，但基于量子进化算法（QEA，量子启发的进化算法）的方法（如EQNAS）在高维离散搜索空间中存在分布集中缓慢和更新自适应性不足的问题，限制了搜索效率和最终性能。为此，研究人员在《Entropy》期刊上发表论文，提出SPA-QNAS（结构概率自适应量子神经架构搜索），旨在通过增强搜索动力学来提升进化QNAS的效率与稳定性，而不改变原搜索空间或量子资源预算。
研究人员基于EQNAS基准框架，保持17量子比特电路规模、候选门集、训练配置等完全相同，仅引入两种互补机制：结构概率增强（SPE，强化精英结构采样概率的机制）和自适应进化控制（AEC，根据适应度调整更新幅度的机制）。在MNIST（手写数字3 vs 6）和Warship（舰船识别Burke vs Nimitz）数据集上进行实验，采用相同的数据集划分、训练参数（Adam优化器，学习率0.001）和搜索预算（种群大小20，最大代数30）。主要技术方法包括：量子概率幅度向量（QPV，用于概率编码结构采样分布的向量）驱动进化搜索，SPE通过有界概率强化精英结构决策以加速分布集中，AEC通过适应度差距自适应调整非精英个体旋转更新幅度以抑制无效扰动；搜索循环包含结构采样、参数训练、适应度评估和QPV更新。样本队列来源为MNIST和Warship公开数据集。
**4.1 实验协议与基准设置**：采用与EQNAS一致的实验环境（MNIST用NVIDIA GeForce RTX 2080 Ti，Warship用RTX 3090），训练epochs分别为3/10（搜索）和10/20（最终训练），批次大小32/20。通过保持相同设置，确保性能差异仅源于搜索动力学增强。
**4.2 机制隔离研究**：通过逐步消融实验分析SPE和AEC的单独贡献。仅引入SPE时，Warship运行时间减少20.45%，但MNIST准确率微降0.11%；仅引入AEC时，MNIST准确率提升至98.87%，Warship提升至83.33%，同时运行时间分别减少71.22%和14.31%。两者结合（完整SPA-QNAS）达到最佳性能：MNIST准确率99.42%（运行时间减少72.22%），Warship准确率85.33%（运行时间减少26.83%）。结论：SPE主要通过概率集中提升效率，AEC通过自适应对齐改善稳定性，两者协同平衡了快速收敛与控制探索。
**4.3 搜索与分类性能比较分析**：与EQNAS和跨范式方法QuantumNAS比较。在相同资源下，SPA-QNAS在MNIST上准确率比EQNAS高1.97个百分点，在Warship上高2.67个百分点，且均优于QuantumNAS。搜索阶段性能曲线显示SPA-QNAS的均值适应度和最佳验证准确率均稳定提升；最终训练损失曲线更平滑，表明AEC抑制了低质量结构的扰动。模型复杂度分析表明，SPA-QNAS与EQNAS使用相同数量的量子比特（17）、量子门和可训练参数，性能提升完全来自搜索动力学改进。统计检验（五次独立运行）显示SPA-QNAS的均值准确率更高、方差更低，Welch t检验p值为0.198（未达显著，但趋势稳定）。95%置信区间显示SPA-QNAS表现更优。
**4.4 种群多样性分析**：通过平均成对汉明距离量化种群多样性。EQNAS多样性下降更快，表明过早收敛；SPA-QNAS在整个进化过程中保持较高多样性，说明SPE和AEC有效保留了探索能力，同时提升了收敛效率。
**总结讨论**：论文提出SPA-QNAS，通过集成SPE和AEC增强QPV驱动的进化搜索动力学，在固定量子资源预算下实现了更高的分类准确率和更稳定的性能。研究结论翻译如下：本文提出了SPA-QNAS，一种基于EQNAS基准的搜索动力学增强的进化QNAS框架，旨在解决图像分类任务中分布集中缓慢和更新自适应性不足的问题。与通过增加电路规模或量子资源消耗来提升性能的方法不同，SPA-QNAS专注于在固定量子资源预算下增强进化搜索动力学。该方法将SPE和AEC整合到QPV驱动的进化搜索循环中。SPE通过有界概率塑造强化当代精英结构，从而促进结构采样分布向高适应度区域集中；AEC以精英结构为参考，根据适应度反馈自适应调整非精英个体的旋转更新强度，从而减少无效扰动并改善更新稳定性。SPE和AEC共同形成连接结构采样、适应度评估和QPV进化的闭环搜索增强机制。在MNIST和Warship数据集上的实验结果表明了SPA-QNAS的有效性。在与EQNAS相同的17量子比特电路规模和相同训练配置下，SPA-QNAS在不增加量子比特、量子门或可训练参数数量的情况下，在MNIST和Warship数据集上分别达到了99.42%和85.33%的分类准确率。此外，五次独立运行的统计分析表明，SPA-QNAS比EQNAS实现了更高的平均准确率和显著更低的方差，表明其在不同随机种子下的鲁棒性有所提升。种群多样性分析进一步表明，所提出的SPE和AEC机制在进化过程中有效保留了探索能力，同时缓解了过早收敛。这些结果表明，改善基于QPV的搜索动力学是在固定量子资源约束下增强进化QNAS稳定性、鲁棒性和搜索能力的有效途径。
