3. 量子机器学习中的线性代数与概率工具

量子机器学习（QML）的模型几乎都建立在同一套数学语言之上：用希尔伯特空间描述量子态，用密度矩阵描述混合态与噪声，用张量积把多个子系统拼成整体，用偏迹把整体还原为局部，用期望值把量子态变成可训练的实数输出。理解这五个工具，等于拿到了阅读 QML 论文与实现 QML 模型的“语法书”。本节按“态—组合—局部—测量”的顺序展开，并说明它们如何对应模型的输入与输出。

希尔伯特空间：量子数据的容器

希尔伯特空间 H 是一个带内积的复向量空间。对 n 个量子比特的系统，其维度为 2ⁿ，一组标准正交基可写成 |0⟩、|1⟩、|00⟩、|01⟩…… 任意纯态是基的复线性叠加：

|ψ⟩ = α|0⟩ + β|1⟩,  α, β ∈ ℂ,  |α|² + |β|² = 1

内积 ⟨φ|ψ⟩ 给出两个态的“重叠”，它是概率幅而非概率。对 QML 而言，希尔伯特空间决定了模型能表达的状态集合：一个 n 比特量子线路的输出态位于 2ⁿ 维复空间中，而经典数据必须通过特征映射（如角度编码 x → R_y(x)|0⟩）嵌入这个空间。因此“输入”在 QML 中通常不是直接送入的向量，而是被编码为量子态的一组旋转角或振幅。

密度矩阵：从纯态到混合态

纯态 |ψ⟩ 对应的密度矩阵为 ρ = |ψ⟩⟨ψ|，满足 ρ² = ρ、Tr(ρ) = 1。当系统以概率 p_i 处于 |ψ_i⟩ 时，用混合态描述：

ρ = Σᵢ pᵢ |ψᵢ⟩⟨ψᵢ|,  pᵢ ≥ 0,  Σᵢ pᵢ = 1

密度矩阵是 QML 中处理噪声、退相干和测量统计的核心工具。例如，一个经过退极化信道的单比特态可写成 ρ = (1−λ)|ψ⟩⟨ψ| + λ·I/2，其中 λ 是噪声强度。判断纯态与混合态可用纯度 Tr(ρ²)：纯态为 1，完全混合态为 1/2ⁿ。在变分量子线路中，若只关心测量统计，密度矩阵形式比态矢量更通用，因为它能同时容纳线路噪声与经典不确定性。

张量积：把子系统拼成整体

两个子系统 A（维度 m）与 B（维度 n）的联合空间维度为 m·n，由张量积构造：

|ψ⟩_AB = |a⟩_A ⊗ |b⟩_B,  ρ_AB = ρ_A ⊗ ρ_B（仅当 A、B 独立）

张量积的关键性质是“整体大于部分之和”：存在无法写成 |a⟩⊗|b⟩ 的纠缠态，例如 Bell 态 (|00⟩+|11⟩)/√2。在 QML 中，张量积对应多比特线路的并行结构——每个量子门只作用于部分比特，其余比特以单位算符参与，整体演化是各局部算符的张量积与组合。数据编码时，把 n 个特征分别编码到 n 个比特，正是张量积的直接应用。

偏迹：从整体提取局部

偏迹（partial trace）是张量积的逆操作：给定 ρ_AB，对 B 求偏迹得到 A 的约化密度矩阵 ρ_A = Tr_B(ρ_AB)。对 Bell 态求偏迹，ρ_A = I/2，即局部看起来完全混合——这正是纠缠的标志。偏迹在 QML 中有两个直接用途：一是分析线路中某个子寄存器的状态，二是计算只作用于局部比特的可观测量期望值，因为 Tr(ρ_AB(O_A⊗I_B)) = Tr(ρ_AO_A)。

期望值估计：量子态到实数输出

QML 模型的输出通常是一个实数，由可观测量 O 在态 ρ 上的期望值给出：

⟨O⟩ = Tr(ρO) = Σᵢ λᵢ pᵢ（O 谱分解后）

实际执行时，把 O 分解为 Pauli 串的线性组合 O = Σ_k c_kP_k，对每个 Pauli 串做多次测量，用频率估计 ⟨P_k⟩，再加权求和。例如估计 ⟨Z₀Z₁⟩ 时，测量 1000 次得到 00/11 与 01/10 的计数，⟨Z₀Z₁⟩ = (N₀₀+N₁₁−N₀₁−N₁₀)/N。测量次数 N 决定统计误差，标准差约为 1/√N，因此精度与采样成本直接相关。期望值估计就是 QML 的“前向传播”，而参数化线路中的旋转角就是可训练参数。

五个工具如何对应模型输入输出

把上述工具串起来，就得到 QML 前向传播的完整链条。输入侧：经典特征 x 经特征映射嵌入希尔伯特空间，多特征通过张量积组合成多比特态；若考虑噪声或经典混合，则用密度矩阵描述。中间侧：参数化量子门在希尔伯特空间中演化态，偏迹用于分析子寄存器或计算局部可观测量。输出侧：对可观测量做期望值估计，把量子态压缩为实数 ŷ，再与标签 y 比较得到损失。

一个具体的教学示例：设 2 比特线路，输入特征 x = (0.4, 1.2)，编码为 R_y(0.4) 作用于第 0 比特、R_y(1.2) 作用于第 1 比特，再施加 CNOT 产生纠缠。可观测量取 O = Z₀Z₁。若测量 2000 次得到 N₀₀=620、N₁₁=580、N₀₁=410、N₁₀=390，则 ⟨Z₀Z₁⟩ ≈ (620+580−410−390)/2000 = 0.20。该值即模型输出，可与目标值比较并计算梯度。注意此处的数值是用于说明计算流程的示例，并非实际运行结果。

掌握这五个工具后，阅读 QML 公式时就能快速定位：态在哪个空间、是否混合、如何组合、局部如何提取、最终如何变成可优化的实数。它们是后续变分线路、量子核方法与量子神经网络章节的共同基础。