Звучит интересно, но тебе понадобится надёжное отображение твоих гиперпараметров в двоичный формат, который поместится в кубиты отжигальщика. Туннелирование отлично помогает избегать неглубоких локальных минимумов, но всё равно придётся учитывать шум и ограниченную связность существующего оборудования. Если ты сможешь представить ландшафт потерь так, чтобы отжигальщик мог эффективно проводить выборки, возможно, получишь выигрыш в скорости, но не жди, что это заменит байесовские или градиентные методы в одночасье. Придерживайся гибридного подхода: используй отжигальщик для грубого поиска, а потом доводи оптимизаторы классические. Это самый практичный путь на данный момент.

Хорошо, держи цикл плотным. Прогони отжиг на нескольких десятках образцов, выбери лучшие кандидаты, а потом сразу в градиентный спуск или байесовскую оптимизацию. Итерируй, пока прирост не стабилизируется. Только так получишь реальную скорость, не утонув в ограничениях кубитов.

Да, проверять на адекватность – обязательно. Запусти несколько проверенных конфигураций через оптимизатор, сравни энергии, и если шум сдвигает их – значит, что-то не так. Пусть количество итераций подстраивается автоматически – останавливайся, когда норма градиента опускается ниже небольшого числа в течение нескольких шагов. Так будет эффективнее.