[論文レビュー] Noise-Aware Quantum Architecture Search Based on NSGA-II Algorithm

Chenlu Li, Hui Zeng+1 more|arXiv (Cornell University)|Jan 16, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

NA-QASは enhanced NSGA-II を用いたノイズ認識・可変深度の量子アーキテクチャ検索で、ハイブリッド Hamiltonian パラメータ共有戦略を組み合わせ、ノイズ下で性能が高く資源効率の良い PQC を見つける。

ABSTRACT

Quantum architecture search (QAS) has emerged to automate the design of high-performance quantum circuits under specific tasks and hardware constraints. We propose a noise-aware quantum architecture search (NA-QAS) framework based on variational quantum circuit design. By incorporating a noise model into the training of parameterized quantum circuits (PQCs) , the proposed framework identifies the noise-robust architectures. We introduce a hybrid Hamiltonian $\varepsilon$ -greedy strategy to optimize evaluation costs and circumvent local optima. Furthermore, an enhanced variable-depth NSGA-II algorithm is employed to navigate the vast search space, enabling an automated trade-off between architectural expressibility and quantum hardware overhead. The effectiveness of the framework is validated through binary classification and iris multi-classification tasks under a noisy condition. Compared to existing approaches, our framework can search for quantum architectures with superior performance and greater resource efficiency under a noisy condition.

研究の動機と目的

• ノイズ制約下でタスクとハードウェアに適合した高性能量子回路の設計を自動化する。
• NISQ 設定におけるアーキテクチャ表現力と量子ハードウェアオーバーヘッドのバランスを取る。
• パラメータ共有とノイズ認識トレーニングによって評価コストを削減するスケーラブルな探索フレームワークを開発・検証する。

提案手法

• 回転ゲートの組み合わせとレイヤごとのエンタングルメントゲート（CNOT）接続の二部構成探索空間を定義する。
• PQC トレーニングにノイズモデル（ビットフリップ、デポラライジング、熱緩和）を組み込み、ノイズに頑健なアーキテクチャを促進する。
• 複数のサブネットを用いたハイブリッド Hamiltonian パラメータ共有戦略を採用し、候補アーキテクチャ間でパラメータを共有しつつ、局所最適解を回避するためにε-greedy 選択を適用する。
• 深さを [l_min, l_max] の範囲で探索するEnhanced Variable-Depth NSGA-II を導入し、二つの目的適応度：最小のタスク Hamiltonian 期待値と最小デバイスコスト（CNOT数 + 回路深さ）を最適化する。
• 共有パラメータからのファインチューニングを伴う高速適応度評価を適用し、NSGA-II による選択・交叉・突然変異・可変レイヤ操作を実施する。

実験結果

リサーチクエスチョン

• RQ1 NA-QAS は現実的なノイズ条件下でも高性能を維持するアーキテクチャを特定できるか。
• RQ2 ノイズ認識トレーニングとパラメータ共有アプローチは、探索品質を保ちつつ評価オーバーヘッドを削減できるか。
• RQ3 可変深度アーキテクチャ探索は固定深度アプローチと比較して性能とハードウェア資源のバランスにどのような違いをもたらすか。
• RQ4 ノイズ下でのタスク性能とハードウェアコストのパレート最適なトレードオフは何か。
• RQ5 見つかったアーキテクチャはノイズ下で異なるタスク（2値分類とアイリス分類）に対して一般化できるか。

主な発見

Method	Qubit	Accuracy	CNOT Count	Circuit Depth
NA-QAS(ours)	4	1	26	8
Random-Search(with Optimization Strategies)	4	1	32	9
Evolutionary-Search (without Optimization Strategies)	4	0.93	18	10

• NA-QAS はノイズ下でベースラインより高い性能と資源効率を示すアーキテクチャを発見する。
• ハイブリッド Hamiltonian パラメータ共有戦略は連続的なパラメータ更新をもたらし、ノイズのある景観で局所最適解から抜け出すのに役立つ。
• ノイズ下では NA-QAS は CNOT 数が少なく、深さが浅いアーキテクチャを強調しつつ高精度を維持する。
• 二値分類では NA-QAS が 3 量子ビット、5 個の CNOT、深さ 8 で 0.99 の精度を達成し、資源効率の点で他の手法を上回る。
• アイリス分類では NA-QAS が高精度で、いくつかのベンチマークより二量子ビットゲート数が小さいアーキテクチャを特定する。