KI und die schwierigen Probleme der Welt · Quantenphysik & Quantencomputing · arXiv · 2026-10-19
ConQUESTA: Topologiebewusstes strukturelles Pruning von Quantum Neural Networks nach dem Training
Originaltitel: ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
Der Einsatz von Quantenneuronalen Netzen auf spärlicher Hardware erfordert es, Zwei-Qubit-Gatter, SWAPs und Schaltungstiefe zu reduzieren, ohne an Genauigkeit zu verlieren. Die Autoren schlagen ConQUESTA vor, eine Post-Training-Pruning-Methode, die Verschränkungsgatter nach Aufgabenrelevanz und Compiler-Kosten bewertet und anschließend unter einer Genauigkeitsbeschränkung nach vollständigen Pruning-Masken sucht, wobei jede Maske über mehrere Kopplungstopologien transpiliert wird. Bei 55 % Pruning betrugen die mittleren Ressourceneinsparungen 61,6 % bei Breast Cancer, 72,0 % bei Digits01 und 82,2 % bei Iris, und die Wiederherstellung mit fester Maske erhöhte die Zahl der zulässigen Läufe von 16 auf 22 von 24.