4. 变分量子线路核心结构
变分量子分类器（Variational Quantum Classifier, VQC）的“模型本体”就是一条变分量子线路。它并不是把经典神经网络原样搬到量子硬件上，而是用一套量子线路结构去表达“输入数据 → 特征映射 → 可训练变换 → 测量输出”的映射关系。理解 VQC，关键是把这条线路拆成四个职责明确的模块：参数化量子门提供可调自由度，数据编码线路把经典样本写入量子态，可训练线路（ansatz）承担模型容量，测量输出把量子态转成可比较的经典数值。四者缺一不可，且顺序与连接方式直接决定模型能表达什么、训练是否可行。
参数化量子门：模型的可调旋钮
参数化量子门是含连续实参的量子门，常见形式为绕某个轴的旋转门，例如 RX(θ)、RY(θ)、RZ(θ)，以及受控旋转门 CRX(θ)、CRY(θ)、CRZ(θ)。它们的作用是把一个可训练的实数 θ 变成量子态在布洛赫球上的旋转角度。以 RY(θ) 为例，作用在 |0⟩ 上得到 cos(θ/2)|0⟩ + sin(θ/2)|1⟩，测量 |1⟩ 的概率为 sin²(θ/2)。这意味着单个参数就能连续调节输出概率，而多个参数组合后可以拟合复杂决策边界。
参数化门通常与固定门（如 Hadamard、CNOT）配合使用。固定门负责制造叠加与纠缠，参数化门负责在纠缠结构上“拧角度”。一个常见误区是只堆参数化门而缺少纠缠门，此时线路近似于多个独立单比特旋转的直积，表达能力受限，难以区分 XOR 这类非线性可分数据。
数据编码线路：把经典样本写进量子态
数据编码线路位于线路前端，负责将经典特征向量 x = (x₁, x₂, …, xₙ) 映射为量子态 |φ(x)⟩。常见编码方式有三类：
- 角度编码：把每个特征 xᵢ 作为旋转角，例如对第 i 个量子比特施加
RY(xᵢ)。实现简单，但特征需归一化到 [0, 2π) 或 [-π, π]。 - 振幅编码：把归一化后的特征向量直接作为量子态的振幅，n 个特征只需 log₂n 个量子比特，但制备线路深、对硬件不友好。
- IQP / 纠缠编码：在角度编码基础上加入
ZZ型相互作用项，如exp(i xᵢxⱼ ZZ)，能引入特征间乘积项，提升对非线性关系的敏感度。
编码方式的选择直接影响模型上限。若数据本身是线性可分的，角度编码通常足够；若特征间存在强交互，纠缠编码往往更有效，但代价是线路深度增加、噪声影响放大。
可训练线路：ansatz 的结构与容量
可训练线路紧接编码线路，由若干层“参数化门 + 纠缠门”重复堆叠而成。层数 L 与每层参数数量共同决定模型容量。一个典型的硬件高效 ansatz 每层包含：每个量子比特上的 RY(θ) 与 RZ(φ)，以及相邻比特间的 CNOT 环形连接。若使用 n 个量子比特、L 层，则参数总数为 2nL（每比特每层两个旋转参数）。
ansatz 设计需要在表达能力和可训练性之间权衡。层数过少，模型欠拟合；层数过多，一方面线路深度增加导致噪声累积，另一方面可能陷入贫瘠高原（barren plateau），即梯度随比特数指数衰减，训练几乎停滞。实践中常从 L=2～4 起步，观察训练损失与验证精度后再增减。
测量输出：从量子态到分类决策
线路末端通过测量把量子态坍缩为经典比特串。对于二分类，最常用的是测量某个指定量子比特的 Z 算符期望值：⟨Z⟩ = P(0) − P(1)，取值范围 [−1, 1]。若以 0/1 标签训练，可把 ⟨Z⟩ 映射为预测概率 p = (1 − ⟨Z⟩)/2，再配合阈值 0.5 得到类别。多分类则有两种常见做法：一是测量多个比特的联合分布，取概率最大的比特串对应类别；二是为每个类别设置一个测量算符，比较各期望值大小。
测量次数（shots）决定期望值的统计精度。若单次测量得到 0 或 1，N 次测量的标准误差约为 1/√N。例如 N=1024 时误差约 0.031，N=4096 时约 0.016。训练时若 shots 太少，梯度估计噪声大，参数更新方向不稳定；shots 太多则单步训练时间显著增加。常见折中是训练阶段用 1024～2048 shots，最终评估用 8192 shots 以降低方差。
四模块协同：一条完整线路的示例
下面给出一个 2 量子比特、2 层 ansatz 的 VQC 结构示意。数据 x=(x₁, x₂) 先经角度编码写入，再进入可训练层，最后测量第 0 个量子比特的 Z 期望值作为输出。图中同时标出各模块的职责边界与参数数量。
该示例中，编码模块只含 2 个固定角度旋转，不参与训练；可训练层共 8 个参数，由优化器更新；测量只取 q₀ 的 Z 期望值，输出一个标量。若把测量改为同时读取 q₀ 与 q₁ 的联合分布，则可支持四分类。训练时，经典优化器（如 COBYLA、SPSA 或 Adam）根据损失函数 L = −[y log p + (1−y) log(1−p)] 计算梯度或近似梯度，更新 θ₁…θ₈，直到验证集精度收敛。
总结来看，VQC 的四个模块各司其职：参数化门提供连续可调性，编码线路决定数据如何进入量子态，可训练线路决定模型容量与纠缠结构，测量输出决定如何把量子信息转成分类决策。设计一条 VQC，本质上就是在给定量子比特数和硬件连通性的约束下，为这四个模块分别做出合理选择，并用训练结果检验选择是否有效。