1. 量子数据编码与特征映射工程导论

量子机器学习并不是把经典数据直接“倒进”量子计算机就能获得加速。量子处理器天然操作的是量子态：一组归一化复振幅、相位与纠缠关系。经典数据则通常以表格、图像、时间序列或图结构存在。二者之间必须经过一层工程化转换——量子数据编码（Quantum Data Encoding）与特征映射（Feature Mapping）。本课程讨论的正是这层转换的工程方法：如何把经典样本映射为量子态，如何设计可训练的特征映射，如何评估编码带来的表达能力与代价，以及如何在真实硬件约束下落地。

课程定位：连接数据工程与量子算法

可以把整个技术栈分成四层。最底层是经典数据层：原始样本、标签、特征工程结果。往上是编码层：把每个特征值编码为旋转角、振幅或相位。再往上是量子模型层：由参数化量子电路（PQC）构成的可训练模型，如变分量子分类器、量子核方法。最上层是测量与优化层：通过测量得到期望值，计算损失，再用经典优化器更新参数。

本课程的定位不是泛泛介绍量子计算，而是聚焦“数据如何进入量子模型”这一关键接口。它既涉及数学（希尔伯特空间、内积、核函数），也涉及工程（电路深度、噪声、测量次数、梯度估计）。

核心问题：编码决定了模型的上限

一个常见的误解是：只要量子电路足够深，模型就能拟合任意数据。实际上，编码方式直接决定了数据在量子态空间中的几何结构。若编码把两个不同样本映射到几乎相同的量子态，后续电路再深也难以区分它们。因此，编码设计要回答三个问题：

• 表达能力：映射后的量子态能否区分原始数据中的关键模式？
• 可训练性：参数梯度是否消失（贫瘠高原）或爆炸？
• 硬件可行性：电路深度、门数量、测量次数是否在噪声容忍范围内？

这三者往往互相制约。例如，角度编码简单但表达能力有限；振幅编码表达能力强，但制备任意量子态需要指数级深度的电路。工程实践就是在三者之间做权衡。

技术栈全景：从数据到量子态

下面这张图展示了从经典样本到量子模型输出的完整信号链。左侧是经典数据，经过特征预处理后进入编码层；编码层把每个特征映射为量子门参数；量子模型层执行参数化电路；测量层得到期望值；最后进入经典优化循环。

图中虚线回路表示经典优化器根据测量结果反向更新参数。注意：编码层中的参数可能分为两类——数据编码参数（由输入样本决定，不可训练）和可训练编码参数（如数据重上传中的缩放因子，可被优化）。区分这两类参数是工程实现中的关键。

工程实践路线图

从零开始构建一个量子编码与特征映射项目，通常经历以下阶段。这里给出一个可参考的路线，但具体项目可根据数据规模和硬件条件调整。

一个具体的教学示例

假设我们有一个二维二分类数据集，样本点分布在单位圆内，标签由半径决定：内圈为类别 0，外圈为类别 1。我们使用两个量子比特，采用角度编码：

# 角度编码示例（伪代码）
for i, x_i in enumerate(sample):
    circuit.ry(2 * x_i, qubit=i)   # 将特征值映射为旋转角
    circuit.rz(2 * x_i, qubit=i)   # 增加相位信息

# 数据重上传：重复编码层 L 次
for layer in range(L):
    circuit.ry(2 * x_i, qubit=i)
    circuit.cx(0, 1)               # 纠缠
    circuit.ry(trainable_theta[layer], qubit=i)

这里 2 * x_i 是编码缩放因子。若特征已归一化到 [-π/2, π/2]，则旋转角覆盖 [-π, π]，能充分利用布洛赫球。若缩放因子过小，不同样本的量子态会聚集在布洛赫球同一区域，分类边界模糊；若过大，则可能引入周期性混叠。实际工程中，缩放因子本身也可以作为可训练参数，通过梯度下降自动调整。

如何判断编码方案是否合适

可以从三个可观测指标入手。第一，核矩阵秩：计算编码后量子态之间的内积矩阵，若秩远小于样本数，说明表达能力不足。第二，梯度方差：在随机初始化下估计参数梯度，若方差随量子比特数指数衰减，说明存在贫瘠高原。第三，硬件执行保真度：比较模拟器与真实后端的期望值差异，若差异过大，说明噪声已淹没编码信号。