arXiv cs.AI· Devroop Kar, Daniel Krutz, Travis Desell·· 6 天前AI 评分20
EXAQC 进化框架实现图像分类的混合量子-经典架构自动搜索
Evolving Hybrid Quantum-Classical Architectures for Image Classification
AI 导读
EXAQC 进化框架被扩展至图像分类，自动搜索参数化量子电路作为中间处理模块，在 MNIST、Fashion-MNIST 和 CIFAR-10 上分别达到 98.42%、90.62% 和 85.47% 准确率，门数量与其他量子架构搜索方法相当。
正文 · AI 翻译
摘要：混合量子-经典神经网络将参数化量子电路（PQC）与成熟的深度学习架构相结合，但其性能在很大程度上取决于量子电路架构的选择，而这一选择目前仍主要依赖人工。现有方法大多依赖手工设计或固定的电路拟设，需要预先指定电路结构、门组成和量子比特连接方式，且无法保证其适合任务。这一局限在图像分类中尤为突出，因为量子电路必须转换经典网络提取的特征，同时又要足够紧凑以便实际训练，而通用的、与任务无关的拟设不太可能同时满足这些要求。我们将 EXAQC——一个用于自动发现量子电路的进化框架——扩展到图像分类。EXAQC 将 PQC 作为中间处理模块进行进化，同时保留经典的特征提取和预测层。在 MNIST、Fashion-MNIST 和 CIFAR-10 上，EXAQC 分别达到 98.42%、90.62% 和 85.47% 的准确率，同时使用的门数量与其他量子架构搜索方法相当。与经典网络相比，进化出的混合模型在可训练参数大幅减少的情况下保持了相当的准确率，在 CIFAR-10 上达到 85.68%，而参数比 10 层 CNN 少 25$\times$ 以上。编码选择也很重要：在 CIFAR-10 上，基于旋转的编码（RX、RY、U3）比振幅编码高出 22-25 个百分点。这些结果表明，自动电路发现能够产生紧凑的量子模块，可在视觉架构中替代更大的经典组件，同时保持有竞争力的准确率。
| 评论： | 正在接受第十五届国际学习表征会议 2027 的审稿 |
| 主题： | 神经与进化计算（cs.NE）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG）；量子物理（quant-ph） |
| 引用为： | arXiv:2610.03220 [cs.NE] |
| （或此版本的 arXiv:2610.03220v2 [cs.NE]） | |
| https://doi.org/10.48550/arXiv.2610.03220 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Devroop Kar [查看电子邮件]
[v1]
2026 年 10 月 2 日星期五 12:37:10 UTC（3,616 KB）
[v2]
2026 年 10 月 9 日星期五 17:57:17 UTC（3,616 KB）
来源：arXiv cs.AI · arxiv.org