训练量子机器学习模型的手动环节多、超参数难调、结果缺乏公平性审计。QuOptuna 只需一条 uvx quoptuna 命令即可启动完整 AutoML Web 应用，跨 21 个量子与经典分类器执行超参数搜索，提前剪枝无效配置，审计每个模型的公平性，用 SHAP 解释优胜模型，并可自动生成研究报告。项目采用 Apache-2.0 开源许可。
QuOptuna 的五个架构亮点：
1. 统一搜索空间：注册 17 个量子分类器（数据重载、电路中心、IQP 与投影量子核、量子厨房水槽、量子度量学习、树张量网络、量子卷积神经网络、WeiNet 及其可分离/修饰变体）和 4 个经典基线（SVC、LinearSVC、MLP、Perceptron），每个模型拥有独立的 Optuna 条件搜索空间。
2. 高效搜索：基于 PennyLane 构建电路，JAX vmap 向量化评估，Optuna 的 ASHA/Hyperband 剪枝提前终止低效配置，支持 TPE/随机/网格采样。
3. 公平性内置于搜索循环：约束模式下对超出阈值的 trial 施加惩罚；多目标模式下同时优化准确率与公平性指标（来自 fairlearn：人口统计平等、均等几率、均等机会），返回 Pareto 前沿。
4. 可解释性与自动报告：优胜模型可生成 SHAP 图（条图、蜜蜂群、小提琴、热图、瀑布图）、ROC/PR 曲线和混淆矩阵。可选双智能体 LLM 管线（分析师起草+评审者批判）撰写研究论文（需自带 OpenAI/Anthropic/Gemini 密钥）。
5. 零 Node.js 依赖：前端为 Next.js 静态导出并打包进 Python wheel，pip 安装即包含编译后 UI，无需额外安装 Node。
项目目前为 Beta 版（0.1.4），量子模型运行在 JAX/CPU 模拟器上，尚无硬件后端。在大多数表格数据集上经典模型仍占优——QuOptuna 会如实告诉你。作者（西密歇根大学博士生）欢迎星标和反馈。
GitHub
PyPI
#开发者 #工具 #QuOptuna #QuantumML #AutoML #OpenSource
@DevToolboxHub