基于无监督表征学习的量子架构搜索

基于摘要分析。本文研究 Noisy Intermediate-Scale Quantum（NISQ）设备上的 Quantum Architecture Search（QAS），目标是为 Variational Quantum Algorithms（VQAs）寻找高性能量子电路。其核心贡献是将无监督架构表征学习与搜索过程解耦，在不依赖性能预测器的情况下探索潜在表征空间，以降低搜索对大量性能标注数据的依赖。 机制与创新：常见 QAS 方法需要评估大量候选电路；基于预测器的方法虽可估计电路性能，但训练预测器往往需要先优化众多电路的量子门参数，获得耗时的性能标签。本文受 Arch2vec 启发，先学习量子电路的无监督表征，再使用 REINFORCE 或 Bayesian Optimization 搜索潜在空间。框架还引入改进的量子电路图编码方案。摘要未给出图编码细节、表征学习目标、潜在表示到电路的映射方式，以及搜索阶段实际电路评估的流程；不依赖预测器不等于搜索无需性能评估。 结果与证据边界：作者报告，与基线相比，该框架能够以更少的搜索迭代找到高性能量子电路，但摘要没有提供具体任务、电路规模、基线名称、性能指标或数值。迭代次数也不能直接等同于总计算成本，仍需核对表征预训练、量子门参数优化及候选电路评估的开销。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：可考虑的机制对应是 EEG 解码模型的架构搜索，而非直接迁移量子电路性能结论。假设可复用“无监督架构表征＋潜在空间搜索”的流程，但需将图编码改为 EEG 模型算子与连接关系，并重新定义架构合法性和性能评估。低信噪比、跨被试差异、通道变化及小数据可能使验证分数不稳定，削弱潜在空间的搜索价值。可在固定 EEG 数据与划分下，以相同候选评估预算比较该流程和随机搜索，同时计入表征训练成本；已有 EEG 相关工作尚未检索确认。