基于无监督表示学习的量子架构搜索

基于摘要分析。本文研究 Noisy Intermediate-Scale Quantum（NISQ）设备上面向 Variational Quantum Algorithms（VQAs）的 Quantum Architecture Search（QAS），提出不依赖性能预测器的无监督架构表示学习框架，以降低量子电路搜索对大量性能标注和电路评估的依赖。 原问题在于，许多 QAS 方法将搜索空间与搜索算法紧密耦合，需要评估大量候选电路；基于预测器的方法虽然可以通过结构或嵌入估计电路性能，但训练预测器通常仍需要对大量电路优化门参数，产生耗时的性能标签。本文受经典神经架构搜索方法 Arch2vec 启发，将无监督架构表示学习与后续搜索过程分离，并引入改进的量子电路图编码方案。摘要称，学到的表示可用于不同下游任务，但未提供具体任务范围、编码细节、表示学习目标及训练规模。 搜索阶段使用 REINFORCE 和 Bayesian Optimization 探索潜在表示空间，并与基线方法比较。作者报告，该框架能够以更少的搜索迭代找到高性能量子电路；摘要未给出具体性能指标、迭代次数、基线名称、电路规模或计算预算，因此尚不能量化收益，也不能将迭代次数减少直接等同于总计算成本下降。实验协议、消融及统计信息尚未验证；复现还需核对电路搜索空间、表示训练数据、门参数优化成本和搜索终止条件。 本文的主要研究对象是量子电路架构搜索，而非 EEG 解码或 BCI。摘要未建立量子电路表示与神经信号任务之间的具体机制对应，因而不据此提出 EEG 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。