ConQUESTA: potatura strutturale post-addestramento delle reti neurali quantistiche consapevole della topologia

Abstract degli autori

Distribuire reti neurali quantistiche (QNN) su hardware sparso richiede di preservare l’accuratezza del task riducendo al contempo i gate a due qubit, le operazioni SWAP e la profondità introdotti dal compilatore. Presentiamo ConQUESTA (\underline{C}onstrained \underline{Qu}antum \underline{E}ntangler \underline{S}election with \underline{T}opology \underline{A}wareness), un framework di potatura post-addestramento che combina la salienza rispetto al task con il costo di compilazione, vaglia gli entangler candidati ed esplora maschere di potatura complete rispettando un vincolo esplicito sull’accuratezza. A differenza delle classifiche basate su una singola valutazione, ogni maschera viene transpilata per intero su più topologie di accoppiamento. Su QNN da 4, 6 e 8 qubit e con otto seed del modello, con una potatura del 55%, ConQUESTA ottiene riduzioni medie delle risorse del 61,6% su Breast Cancer, del 72,0% su Digits01 e dell’82,2% su Iris, superando il baseline semplice comparabile più forte di 3,5, 1,7 e 8,9 punti percentuali, rispettivamente. Il recupero a maschera fissa porta la fattibilità da 16/24 a 22/24 esecuzioni. In uno studio di scalabilità a k=4 fisso, su una sonda di scalabilità da 4 a 12 qubit, lo spazio grezzo delle maschere è cresciuto da 495 a 12,1 milioni, mentre il numero di maschere valutate è aumentato solo da 189 a 305. Le variazioni dei pesi delle risorse modificano le priorità relative alla profondità e all’instradamento, con uno scostamento medio in validazione massimo di 0,44 punti.