AI 與世界的難題 · 量子物理與量子運算 · arXiv · 2026-10-19
ConQUESTA:具拓撲感知能力的量子神經網路訓練後結構化剪枝
原標題: ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
在稀疏硬體上部署量子神經網路,需要在不損失準確率的前提下,減少雙量子位元閘、SWAP 與電路深度。作者提出 ConQUESTA,一種訓練後剪枝方法:依任務顯著性與編譯器成本為糾纏閘評分,再在準確率限制下搜尋完整的剪枝遮罩,並將每個遮罩轉譯到多種耦合拓撲上。在 55% 剪枝率下,平均資源減少幅度在 Breast Cancer 上為 61.6%,在 Digits01 上為 72.0%,在 Iris 上為 82.2%;固定遮罩復原使可行的執行次數由 24 次中的 16 次提高到 22 次。