1. 课程导入与噪声鲁棒性评估定位

量子机器学习（Quantum Machine Learning, QML）常被描述为“在量子处理器上训练参数化量子电路，使其完成分类、回归或生成任务”。但在真实硬件上，量子比特并非理想二能级系统：它与环境耦合，会经历退相干、门操作误差、读出误差和串扰。这些噪声不会只停留在物理层，而会沿着“量子态制备—参数化演化—测量—经典优化”的链路逐级传播，最终表现为模型精度下降、训练不稳定甚至完全失效。因此，噪声鲁棒性评估要回答的核心问题不是“噪声有多大”，而是噪声如何影响模型输出，以及模型在多大噪声强度下仍能保持可接受的性能。

本节作为课程导入，需要先建立三个基本认识。第一，评估的对象是“模型+噪声环境”这一整体，而不是单独某个量子门。第二，评估的边界要明确：我们关心的是噪声对任务性能的影响，而非单纯追求物理保真度。第三，评估必须可量化、可复现，否则无法比较不同模型、不同编码方式或不同纠错策略的优劣。

从量子噪声到性能退化的传播链

要定位评估目标，先要看清噪声的传播路径。以变分量子分类器为例，典型流程为：经典数据编码到量子态 → 参数化量子门演化 → 测量得到期望值 → 经典优化器更新参数。噪声在每一环都可能引入偏差：编码阶段的退相干使输入特征被“模糊”；演化阶段的门误差使参数更新方向偏离；测量阶段的读出误差使损失函数估计有偏；优化阶段则可能因梯度估计方差增大而震荡。

下面这张信号链图展示了从物理噪声源到最终性能指标的传播关系。图中左侧是噪声源，中间是受影响的量子计算环节，右侧是最终可观测的性能退化指标。理解这条链，是后续设计评估方案的基础。

评估的边界与核心问题

噪声鲁棒性评估不是“把噪声模型加进去跑一遍”那么简单。它需要明确边界：评估的是特定任务在特定噪声模型下的表现，而不是泛泛讨论“量子机器学习是否抗噪”。因此，一个完整的评估问题应包含四个要素：任务定义（分类/回归/生成）、噪声模型（退相干、门误差、读出误差及其强度）、评估指标（准确率、损失、保真度、梯度方差等）、以及对比基线（理想无噪模型或经典模型）。

在实际操作中，常见的噪声注入方式有两种。一种是物理级注入：在模拟器中直接设置 T₁、T₂、门误差率和读出误差率，让噪声自然传播。另一种是现象级注入：在测量结果或损失函数上人为添加噪声，例如以概率 p 翻转测量比特。前者更真实，后者更可控。评估时应根据研究目标选择，并明确说明所用噪声模型，否则结果无法复现。

评估流程与结果判读

一个可复现的评估流程通常包含以下环节。首先，固定模型结构与训练超参数，确保唯一变量是噪声强度。其次，在无噪条件下训练至收敛，记录理想准确率作为基线。然后，在相同训练配置下，逐步提高噪声强度，重新训练并记录测试准确率。最后，绘制“噪声强度—准确率”曲线，观察性能下降的拐点。

结果判读时，重点关注三个量：临界噪声强度（准确率下降超过基线 5% 时对应的噪声水平）、下降斜率（反映模型对噪声的敏感程度）、以及方差变化（多次运行下准确率的波动范围）。如果某模型在低噪声下准确率略低，但临界噪声强度更高、方差更小，则它可能比“理想条件下更准”的模型更适合真实硬件。

需要强调的是，噪声鲁棒性评估的最终目的不是“证明模型抗噪”，而是找到性能退化的主导因素，并据此选择改进方向。如果退化主要来自读出误差，那么校准测量或采用误差缓解更有效；如果来自门误差累积，则应考虑减少电路深度或引入纠错编码；如果来自训练不稳定，则可能需要调整优化器或采用更鲁棒的损失函数。评估是手段，定位问题才是目的。