基于缓存机制与二进制代理的增强型蜘蛛蜂优化量子神经架构搜索

《Neurocomputing》：Quantum neural architecture search with caching mechanism and binary surrogate via enhanced spider wasp optimization

本文提出了一种创新的量子神经架构搜索（QNAS）框架ESWO-CS-QNAS，通过增强蜘蛛蜂优化器（ESWO）结合缓存机制与二进制代理策略，有效解决了手动设计量子神经网络（QNN）存在的量子门冗余和排列次优问题。该框架在多个数据集（MNIST、Warship、THUCNews）上实现了卓越的分类准确率（最高98.98% ± 0.22%）与噪声鲁棒性，为量子机器学习的高效架构自动搜索提供了新范式。

　　

Highlight

Scalability Challenges

由于量子系统的特性，量子电路的搜索空间随着量子比特数量的增加呈指数级增长。在典型的单机计算环境（例如，具有32GB至128GB内存的服务器）中，能够有效模拟的通用量子电路规模通常不超过25-30个量子比特。对于具有更复杂特征的数据集，量子比特数量的增加会带来显著的可扩展性挑战。

Conclusion

本文提出了一种名为ESWO-CS-QNAS的新型量子神经架构搜索方法。首先，初始化种群并评估其适应度值。具体来说，基于蜘蛛蜂的信息构建量子神经网络（QNN），随后利用缓存机制计算种群适应度：对于先前评估过的网络，直接检索其分类准确率作为适应度值；对于新出现的网络，则对其进行训练并保留其详细信息。

CRediT authorship contribution statement

Leyi Shi: 写作-审阅和编辑，写作-初稿，可视化，验证，监督，资源，项目管理，方法论，调查，数据整理，概念化。 Jingkai Wang: 写作-审阅和编辑，写作-初稿，可视化，验证，项目管理，方法论，调查，数据整理，概念化。 Weijing Su: 写作-审阅和编辑，写作-初稿，可视化，验证，方法论。 Juan Wang: （贡献未具体说明）

Declaration of competing interest

作者声明，他们没有已知的、可能影响本工作报告的竞争性财务利益或个人关系。

Acknowledgements

本工作部分得到了山东省中小企业科技创新能力提升项目（资助号：2025TSGCCZZB0235）的资助，部分得到了中国国家自然科学基金（NSFC）（资助号：62111530052）的资助。