AI与世界难题 · 量子物理与量子计算 · arXiv · 2026-10-19
ConQUESTA:面向量子神经网络的拓扑感知训练后结构剪枝
原标题: ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
在稀疏硬件上部署量子神经网络,需要在不损失精度的前提下减少双量子比特门、SWAP 和电路深度。作者提出了 ConQUESTA,一种训练后剪枝方法:它根据任务显著性和编译器代价为纠缠门打分,然后在精度约束下搜索整体剪枝掩码,并将每个掩码转译到多种耦合拓扑上。在 55% 的剪枝率下,Breast Cancer 上的平均资源降幅为 61.6%,Digits01 上为 72.0%,Iris 上为 82.2%;固定掩码恢复使可行运行次数从 24 次中的 16 次提高到 22 次。