[论文解读] 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 0

一句话总结

NA-QAS 通过增强的 NSGA-II、混合哈密顿量参数共享策略实现噪声感知、可变深度的量子架构搜索，在噪声环境下寻找高性能、资源高效的 PQCs。

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.

研究动机与目标

• 在噪声约束下，为任务和硬件自动设计高性能量子电路。
• 在 NISQ 设置中，在表达能力与量子硬件开销之间取得平衡。
• 开发并验证一种可扩展的搜索框架，通过参数共享和噪声感知训练降低评估成本。

提出的方法

• 定义两部分搜索空间：每层的旋转门组合和纠缠门（CNOT）连接。
• 将噪声模型（比特翻转、去极化、热弛豫）引入 PQC 训练，以促进对噪声鲁棒的架构。
• 采用混合哈密顿量参数共享策略，设有多个超网在候选架构间共享参数，并应用 ε-贪心选择以防止局部最优。
• 引入增强的可变深 NSGA-II，在深度范围 [l_min, l_max] 的架构上搜索，优化两目标适应度：最小任务哈密顿量期望值和最小设备成本（CNOT 数 + 电路深度）。
• 使用快速适应度评估并从共享参数进行微调，执行基于 NSGA-II 的选择、交叉、变异和可变层操作。

实验结果

研究问题

• RQ1 NA-QAS 是否能够在现实噪声条件下识别保持高性能的量子架构？
• RQ2 噪声感知训练与参数共享方法是否在保持搜索质量的同时降低评估开销？
• RQ3 可变深度架构搜索与固定深度方法在性能与硬件资源之间的权衡有何不同？
• RQ4 在噪声下，任务性能与硬件成本之间存在哪些帕累托最优权衡？
• RQ5 在有噪声的条件下，所发现的架构是否能在不同任务（二分类和虹膜多类分类）中泛化？

主要发现

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

• 在噪声下，NA-QAS 相较基线具有更高性能与更高资源效率的架构。
• 混合哈密顿量参数共享策略可实现持续的参数更新，帮助在噪声环境中跳出局部最优。
• 在噪声下，NA-QAS 强调较低的 CNOT 次数和较浅的深度，同时保持高准确率。
• 对于二分类，NA-QAS 在使用 3 个量子比特、5 个 CNOT、深度 8 的条件下达到 0.99 的准确率，资源效率优于其他方法。
• 对于虹膜分类，NA-QAS 找到在高准确率的同时具有较小两量子比特门数的架构，相较于某些基准表现更好。