4. 从经典机器学习到量子机器学习

经典机器学习与量子机器学习之间并不是简单的“替换关系”，而更像是一组在数学结构上可迁移、在物理实现上受约束的对应关系。理解这一点的关键，是先看经典方法的核心计算对象：监督学习关心从输入到标签的映射，无监督学习关心数据分布与相似结构，核方法关心高维特征空间中的内积，神经网络关心可训练的参数化变换。量子版本通常不是把这些对象原样搬进量子线路，而是寻找它们在希尔伯特空间中的对应物，并判断哪些部分能获得量子优势，哪些部分仍受测量、噪声和态制备限制。

监督学习：从函数逼近到量子线路参数化

经典监督学习可写成：给定训练集 \(\{(\mathbf{x}_i, y_i)\}_{i=1}^N\)，寻找 \(f_\theta(\mathbf{x}) \approx y\)。线性回归、支持向量机、决策树和神经网络都是不同假设空间下的实现。量子监督学习最直接的对应是变分量子分类器：用编码线路把经典输入 \(\mathbf{x}\) 映射为量子态 \(|\phi(\mathbf{x})\rangle\)，再用带参数 \( \boldsymbol{\theta} \) 的线路 \(U(\boldsymbol{\theta})\) 处理，最后测量可观测量得到预测值。

例如，对一个二分类任务，可以取 \(n=4\) 个量子比特，用角度编码把 4 维特征写入 \(R_y\) 门，再堆叠 2 层强纠缠层，测量 \(Z_0\) 的期望值 \(\langle Z_0 \rangle\)。若 \(\langle Z_0 \rangle > 0\) 判为正类，否则判为负类。训练时最小化均方误差或交叉熵，参数更新仍可用经典优化器完成。这里的关键边界是：量子线路只承担特征映射和假设空间的一部分，梯度估计、批量采样和参数更新通常仍在经典侧完成。因此它适合中小规模、特征维度不高、但希望利用量子态空间表达能力的任务；当数据量极大或需要深度级联时，量子线路的测量次数和噪声会迅速成为瓶颈。

无监督学习：从距离度量到量子态相似性

经典无监督学习依赖距离、密度或概率分布，例如 k-means 用欧氏距离聚类，PCA 用协方差矩阵找主方向。量子版本的核心变化在于：数据被编码为量子态后，相似性由态重叠 \(|\langle \phi(\mathbf{x}_i)|\phi(\mathbf{x}_j)\rangle|^2\) 或保真度刻画，而不是直接计算经典向量内积。量子聚类、量子主成分分析和量子异常检测都建立在这一替换上。

一个可操作的示例是量子核 k-means：先用量子线路估计样本间的保真度矩阵 \(K_{ij}\)，再把 \(1-K_{ij}\) 当作距离，送入经典 k-means 迭代。若取 6 个二维样本、2 个聚类中心，量子线路只负责生成相似度矩阵，聚类中心更新仍由经典计算完成。这种混合结构说明：无监督量子学习目前更适合作为“相似度估计器”嵌入经典流程，而不是完全替代经典聚类算法。适用边界在于，当样本数 \(N\) 较大时，需要估计 \(O(N^2)\) 个态重叠，测量开销会快速上升；若数据本身已有高效经典表示，量子编码反而可能引入额外成本。

核方法：量子特征映射与量子核

核方法是经典机器学习与量子机器学习之间最自然的桥梁。经典核方法通过核函数 \(k(\mathbf{x}_i,\mathbf{x}_j)=\langle \phi(\mathbf{x}_i),\phi(\mathbf{x}_j)\rangle\) 隐式地在高维特征空间中工作。量子核把特征映射改为量子线路：\(|\phi(\mathbf{x})\rangle = U_{\text{enc}}(\mathbf{x})|0\rangle\)，于是量子核为

K_q(x_i, x_j) = |<0| U_enc(x_j)† U_enc(x_i) |0>|²

它可以通过制备 \(U_{\text{enc}}(\mathbf{x}_i)|0\rangle\)，再施加 \(U_{\text{enc}}(\mathbf{x}_j)^\dagger\)，最后测量 \(|0\rangle\) 的概率来估计。若该概率接近 1，说明两个样本在量子特征空间中高度相似。量子核的优势在于：某些经典上难以高效计算的内积，在量子线路中可能以多项式代价完成。但边界同样明确：量子核并不自动优于经典核。如果编码线路深度过大，噪声会破坏核矩阵；如果样本数远大于量子比特数，核矩阵估计的采样成本可能抵消理论优势。因此量子核更适合特征维度与量子比特数匹配、且经典核难以捕捉复杂相似性的场景。

神经网络：从经典前馈到量子线路与混合架构

经典神经网络由线性变换与非线性激活交替堆叠而成。量子神经网络（QNN）有两种常见形态：一是纯量子线路，用参数化量子门作为可训练层，测量结果作为输出；二是混合量子-经典网络，把量子线路当作一个可微层嵌入经典网络，经典层负责预处理和后处理。后者在工程上更常见，因为经典侧可以承担大批量数据处理、损失计算和优化器逻辑。

以混合分类器为例：经典全连接层先把 8 维输入压到 4 维，再送入 4 量子比特的变分线路，测量得到 4 个期望值，最后接一个经典 softmax 层输出类别概率。反向传播时，量子层的梯度可用参数移位规则估计：对某个参数 \( \theta_k \)，分别取 \( \theta_k + \pi/2 \) 和 \( \theta_k - \pi/2 \) 两次前向测量，再求差。这个过程的实际代价是每个参数每轮需要两次额外线路执行，因此参数数量、线路深度和测量次数共同决定训练成本。适用边界是：量子层适合处理维度较低、需要量子特征空间的子问题；经典层仍负责大规模数据流和最终决策。

对应关系与适用边界总览

把上述对应关系放在同一张图中，可以更清楚地看到：经典机器学习的四个核心对象——监督映射、无监督相似性、核内积、神经网络参数化——在量子侧分别对应变分分类器、量子态重叠、量子核和参数化量子线路。它们共享一个工程事实：当前阶段绝大多数量子机器学习方案都是混合式的，量子部分负责特征映射或相似性估计，经典部分负责优化、聚合与决策。判断是否采用量子版本，应优先检查三个边界条件：数据维度与量子比特数是否匹配、所需测量次数是否可接受、噪声是否会在线路深度增加时破坏结果。若这三个条件不满足，经典方法仍是更稳妥的基线。