2. 量子机器学习模型与噪声来源全景

要评估量子机器学习（QML）的噪声鲁棒性，第一步不是急着跑实验，而是先建立一张“模型—噪声”对应关系图：我们到底在用哪类量子模型，它们各自把信息编码在什么物理量上，又会被哪些噪声以什么方式破坏。只有把这两侧对齐，后续的鲁棒性指标、缓解手段和评估流程才有明确的落点。

三类主流QML模型及其信息载体

变分量子电路（VQC）是当前最主流的QML范式，典型结构为“数据编码层 + 可训练变分层 + 测量”。以4量子比特、2层变分为例，数据编码常用角度编码 Rx(x_i) 把经典特征映射到量子态，变分层由 Ry、Rz 旋转门和 CNOT 纠缠门交替构成，最后在 Z 基上测量期望值 ⟨Z_0⟩ 作为输出。它的信息载体是量子态的振幅与相位，可训练参数是旋转角，梯度通过参数移位规则计算。VQC 的优点是结构灵活、易于与经典优化器耦合，代价是电路深度随问题规模增长，噪声累积明显。

量子核方法走的是另一条路线：不做可训练电路，而是用固定量子电路把样本 x 映射到量子态 |φ(x)⟩，再通过 SWAP 测试或 Hadamard 测试估计核函数 K(x,x') = |⟨φ(x)|φ(x')⟩|²，把核矩阵交给经典 SVM 求解。它的可训练部分在经典侧，量子电路只负责特征映射。信息载体是态之间的内积，因此对编码电路的相干性要求很高，退相干会直接压低核矩阵的非对角元，使核矩阵趋于单位阵，模型退化为“只认自己”。

量子神经网络（QNN）可以看作 VQC 的层次化扩展，也可指含量子层的混合网络。典型做法是堆叠多个“编码—变分”块，或引入数据重上传（data re-uploading），让同一组量子比特反复接收经典数据。QNN 的表达能力更强，但深度更大、参数更多，对门噪声和串扰更敏感，训练时还容易出现贫瘠高原。

四类主要噪声来源及其作用位置

门噪声来自单比特门和双比特门的不完美：旋转角偏差、脉冲校准误差、双比特门的残余纠缠。它直接改变量子态演化的幺正矩阵，使实际输出偏离理想值。在 VQC 中，门噪声会让损失函数曲面发生偏移，梯度方向失真。

读出噪声发生在测量阶段，表现为把 |0⟩ 误判为 |1⟩ 或反之。它不改变量子态本身，但污染期望值估计。典型指标是读出混淆矩阵，例如 P(1|0)=0.03、P(0|1)=0.06。对量子核方法而言，读出噪声会让核矩阵估计出现系统性偏差。

退相干包括能量弛豫（T1）和相位退相干（T2）。它使量子态随时间向混合态演化，表现为相干性衰减。深电路、长测量等待时间都会放大退相干影响。对依赖相位干涉的量子核方法，退相干是致命噪声。

串扰是相邻量子比特之间的非预期耦合，包括控制串扰和ZZ串扰。它会让本应独立的门操作互相干扰，尤其在双比特门密集的 QNN 中，串扰会引入关联错误，使误差不再独立同分布，给缓解带来额外困难。

模型与噪声的对应关系

把上面的模型和噪声放在一起看，可以得到几条关键对应关系。VQC 的主要风险来自门噪声和读出噪声：门噪声改变变分层的实际演化，读出噪声让损失函数估计出现偏差。量子核方法最怕退相干，因为核函数依赖态之间的相干内积，T2 衰减会直接让核矩阵失去区分度。QNN 则同时承受门噪声、串扰和退相干，且由于深度大、双比特门多，串扰带来的关联错误会让误差不再独立，给误差缓解带来额外难度。

一个实用的判断方法是：先看模型把信息编码在哪个物理量上，再看哪类噪声会破坏这个物理量。编码在相位上的模型对退相干敏感，编码在测量统计上的模型对读出噪声敏感，依赖多比特纠缠的模型对串扰和双比特门噪声敏感。这个判断不需要跑实验，只需要读电路结构和硬件参数就能完成初步定位。

评估前的准备清单

在进入具体鲁棒性实验之前，建议先完成以下准备：明确当前使用的模型类型及其信息载体；列出目标硬件上四类噪声的典型量级，例如单比特门错误率、双比特门错误率、T1、T2、读出混淆矩阵、串扰强度；确定评估指标，如期望值偏差、核矩阵保真度、分类准确率下降幅度；选择噪声注入方式，是在模拟器中按参数注入，还是直接在真实硬件上运行。完成这些准备后，后续章节的鲁棒性评估才有可比较的基准。