2. 量子计算基础速览
在混合量子机器学习（HQML）中，量子部分通常不是独立运行的，而是作为经典训练循环里的一个可微或可采样的“函数块”被反复调用。要理解它如何嵌入训练，先要把量子计算最基本的几个对象和操作弄清楚：量子比特、叠加、纠缠、测量、量子门与量子线路。它们分别对应“数据怎么表示”“状态怎么演化”“结果怎么读出”三个层面。
量子比特：从比特到态矢量
经典比特只能取 0 或 1。量子比特（qubit）的状态则写成二维复向量：
|ψ⟩ = α|0⟩ + β|1⟩，其中 α, β ∈ ℂ，且 |α|² + |β|² = 1这里 |0⟩ 和 |1⟩ 是计算基。α、β 称为概率幅，不是概率本身；只有测量时，得到 0 的概率才是 |α|²，得到 1 的概率是 |β|²。例如 α = 1/√2、β = 1/√2 时，测量得到 0 或 1 各占 50%。在代码中，一个量子态常被存成长度为 2ⁿ 的复数数组，n 是量子比特数。n=1 时是 2 维，n=2 时是 4 维，n=10 时是 1024 维——这也是量子模拟在经典计算机上很快变贵的原因。
叠加：不是“同时是 0 和 1”，而是幅值分配
叠加常被通俗说成“同时处于 0 和 1”，更准确的说法是：系统处于多个基态的线性组合，每个基态带一个复幅值。叠加的价值在于，量子门可以一次性作用到所有基态分量上，形成并行演化。但要注意，这种“并行”不能直接读出所有结果，测量只会给出一个采样结果。因此，在 HQML 中，叠加通常用于构造特征映射或参数化态，而不是直接当作“并行计算所有样本”。
纠缠：多比特之间的非经典关联
纠缠是多个量子比特之间不能拆成各自独立状态的关联。最典型的 Bell 态：
|Φ⁺⟩ = (|00⟩ + |11⟩)/√2测量第一个比特，若得到 0，第二个必为 0；若得到 1，第二个必为 1。这种关联不是“事先约定”，而是量子态本身的整体性质。在量子机器学习中，纠缠常被用来增强模型表达能力，例如在变分量子线路中通过 CNOT 层制造纠缠，使输出态不能写成各比特张量积。但纠缠并非越多越好：过多纠缠会带来训练困难（贫瘠高原）和硬件噪声敏感问题。
量子门与量子线路：态演化的基本单元
量子门是作用在量子态上的酉变换。单比特门常见有：
- X 门：翻转 |0⟩ 与 |1⟩，类似经典 NOT。
- H 门：把 |0⟩ 变成 (|0⟩+|1⟩)/√2，制造叠加。
- Rz(θ)：绕 Z 轴旋转，改变相位，是变分线路中最常用的参数门之一。
- Rx(θ)、Ry(θ)：绕 X、Y 轴旋转，常用于编码角度特征。
双比特门以 CNOT 为代表：控制比特为 1 时翻转目标比特。把门按时间顺序排列，就得到量子线路。线路通常从左到右表示时间推进，每条横线代表一个量子比特，门符号落在对应线上。一个简单的两比特线路可以写成：H 作用在 q0，然后 CNOT(q0, q1)，最后测量两个比特。这个线路正好制备 Bell 态。
测量：把量子态变成经典数据
测量是量子与经典之间的接口。对 |ψ⟩ = α|0⟩ + β|1⟩ 做计算基测量，结果是一个经典比特，概率由 |α|²、|β|² 决定。多次测量同一态，可以得到经验频率，用来估计期望值。在 HQML 中，测量通常不是只测一次，而是用 shots 参数控制重复次数。例如 shots=1024 时，统计 0 和 1 的出现次数，再换算成概率或期望值。测量会破坏叠加和纠缠，因此线路中测量一般放在最后；若需要中间测量，则要明确它带来的态坍缩和经典控制。
如何嵌入机器学习训练循环
把上述对象放进训练循环，可以形成一条清晰的信号链：经典数据 → 编码（角度/振幅）→ 参数化量子线路 → 测量 → 经典后处理 → 损失 → 梯度更新。下面这张图给出一个典型的 HQML 训练循环结构，重点标出量子部分与经典部分的接口位置。
图中最值得关注的是三个接口。第一，编码接口：经典特征 x 必须被映射成量子门参数或振幅，常见做法是角度编码，例如把每个特征 xᵢ 通过 Ry(xᵢ) 作用到对应量子比特上。第二，测量接口：量子线路输出的是态，不能直接送进经典损失函数，必须通过测量得到经典统计量，例如 ⟨Z⟩ 或某个可观测量的期望值。第三，梯度接口：量子参数 θ 的梯度通常不能直接反向传播，需要用参数平移规则或有限差分来估计，再把梯度交给经典优化器。
一个可执行的最小示例
下面用伪代码展示一次前向与梯度估计的骨架，参数为示例值，便于理解训练循环中的实际数据流：
# 示例参数（非实测结果）
theta = [0.3, -0.7] # 两个可训练旋转角
x = [0.5, 1.2] # 两个经典特征
shots = 1024
# 1. 编码：Ry(x_i) 作用到 q_i
# 2. 变分层：Rz(theta_0) on q0, CNOT(q0,q1), Ry(theta_1) on q1
# 3. 测量：统计 q0 的 0/1 频率
# 4. 期望值：<Z0> = P(0) - P(1)
# 5. 损失：L = (<Z0> - y_true)^2
# 6. 梯度：对 theta_i 做参数平移 theta_i ± π/2，重新采样估计 dL/dtheta_i
# 7. 更新：theta_i ← theta_i - lr * dL/dtheta_i这里的关键判断是：测量得到的频率会随 shots 波动，因此梯度估计带有采样噪声。实际训练中，常用增大 shots、多次重复取平均或使用 SPSA 等随机优化方法来缓解。若线路太深、纠缠太强，还可能出现梯度消失，表现为损失长期不下降。此时应优先检查编码是否合理、参数初始化是否过小、线路深度是否超过硬件相干时间。