通过模拟混合态动力学实现可微量子架构搜索

基于摘要分析。本文研究变分量子算法（VQAs）中如何自动选择适合具体任务的量子电路，提出一种免采样的可微量子架构搜索（QAS）算法，将搜索过程表述为由候选量子电路搜索空间产生的量子混合态演化。研究对象是面向含噪中等规模量子（NISQ）计算机的电路设计，而非 EEG 时序建模或 BCI 解码。 机制上，作者区别于训练机器学习模型来采样候选电路的既有 QAS 路线，尝试从量子态本身描述搜索过程。混合态表述还允许纳入退极化通道等噪声模型；摘要指出，这类噪声不能由态向量模拟直接建模。摘要未提供可微参数化、目标函数、梯度计算、搜索空间构造及最终电路提取方式，这些实现细节尚未验证。 验证任务包括状态初始化，以及哈密顿量优化相关的变分量子本征求解器和无权 max-cut 问题。作者报告，在这些任务中，方法表现与既有 QAS 技术相当或更好，同时训练所需量子模拟显著减少，并具有更好的噪声鲁棒性。摘要未给出具体基线、任务规模、噪声强度、评价指标或数值，因而尚不能量化性能与计算成本的权衡；实验协议、消融及统计信息尚未验证。 当前材料未建立混合态电路搜索与 EEG 的低信噪比、跨被试差异或小样本学习之间的具体机制对应，不宜将量子噪声鲁棒性解读为神经信号抗噪能力。相关 EEG 应用尚未检索确认。