4. 基准测试指标设计
在量子机器学习（QML）的基准测试中，指标设计是决定评测结果是否可信、可复现、可比较的核心环节。一个常见的误区是直接套用经典机器学习的指标定义，例如把“准确率”或“均方误差”当作唯一标准。然而，QML 模型运行在含噪声中等规模量子（NISQ）设备或模拟器上，其输出是量子态测量后的统计结果，训练过程涉及参数化量子线路（PQC）的优化，资源消耗与经典模型有本质差异。因此，我们需要为 QML 建立一套工程化的指标定义，并理解它们之间的权衡关系。
一、保真度：量子态层面的相似性度量
保真度（Fidelity）用于衡量两个量子态之间的接近程度。对于纯态 |ψ⟩ 和 |φ⟩，保真度定义为 F = |⟨ψ|φ⟩|²，取值范围为 [0,1]，1 表示完全相同。在 QML 中，保真度常用于评估量子生成模型、量子态制备或量子核方法中特征映射的质量。例如，在量子生成对抗网络（QGAN）中，生成器输出的量子态与目标态之间的保真度直接反映生成质量。
工程化定义时需要注意：实际硬件上无法直接获取完整量子态，只能通过多次测量估计保真度。常用方法是计算测量基下的概率分布重叠，或使用交换测试（SWAP test）线路。若使用模拟器，则可直接计算态矢量内积。因此，在基准报告中必须注明保真度的获取方式（态矢量模拟、层析重建或交换测试估计），否则不同来源的保真度数值不可直接比较。
二、损失收敛：优化过程的稳定性与效率
损失函数是 QML 训练的核心驱动力。对于分类任务，常用交叉熵或 hinge loss；对于回归任务，常用均方误差。损失收敛指标不应只记录最终损失值，而应描述整个优化轨迹。工程化定义建议包含以下要素：
- 收敛步数：损失首次进入最终值 ±ε 邻域所需的迭代次数，ε 通常取最终损失的 5% 或绝对阈值 1e-3。
- 收敛稳定性：最后 N 次迭代损失的标准差，反映是否在极小值附近震荡。
- 是否陷入贫瘠高原：若梯度范数在训练早期就低于 1e-6，且损失几乎不变，则标记为贫瘠高原（Barren Plateau）风险。
例如，在一个 8 量子比特的变分量子分类器中，若使用 Adam 优化器，学习率 0.01，批次大小 32，训练 200 轮。假设第 120 轮后损失从 0.45 降至 0.12 并保持波动小于 0.01，则可记录收敛步数为 120，收敛稳定性为 0.008。这些数值必须与随机种子、初始化策略一起报告，因为 QML 损失曲面高度非凸，不同初始化可能导致完全不同的收敛行为。
三、泛化误差：从训练集到测试集的真实差距
泛化误差定义为模型在未见数据上的期望风险与训练集经验风险之差。在 QML 中，由于量子线路的表达能力受限于量子比特数、纠缠层数和噪声，泛化误差可能呈现与经典模型不同的规律。工程化定义时，建议同时报告：
- 训练集准确率/损失与测试集准确率/损失的差值。
- 泛化间隙：测试损失减去训练损失，若为正值且较大，说明过拟合；若为负值，可能测试集更简单或存在数据泄漏。
- 交叉验证均值与标准差：至少 5 折，报告均值 ± 标准差，避免单次划分的偶然性。
需要特别注意的是，QML 模型参数量可能远小于经典模型，但量子线路的纠缠结构可能导致训练集上表现很好而测试集上急剧下降。因此，泛化误差必须与量子资源消耗联合分析，不能孤立看待。
四、量子资源消耗：线路深度、量子比特数与门计数
量子资源消耗是 QML 区别于经典 ML 的关键指标。工程化定义应至少包含：
- 量子比特数：线路使用的物理或逻辑量子比特数量。
- 线路深度：从输入到输出的最长门序列长度，直接影响退相干影响。
- 双量子比特门数量：CNOT、CZ 等门是噪声主要来源，数量越多，保真度下降越明显。
- 测量次数（Shots）：每次参数更新所需的测量采样次数，影响统计误差和训练时间。
例如，一个用于 4 分类的 QML 模型，若使用 6 个量子比特、线路深度 24、双量子比特门 36 个、每次测量 1024 shots，则单次前向传播的量子资源消耗可量化为上述四元组。在真实硬件上，还需记录量子体积（Quantum Volume）或 CLOPS 等设备级指标，以区分算法开销与硬件限制。
五、训练时间：墙钟时间与量子-经典交互开销
训练时间不能简单等同于经典优化器的迭代时间。在 QML 中，每次参数更新都需要：经典优化器计算梯度（或使用参数移位规则）→ 量子设备执行线路 → 测量采样 → 经典后处理。因此，训练时间应拆分为：
- 量子执行时间：线路编译、排队、执行和测量的总时间。
- 经典计算时间：梯度估计、参数更新、数据预处理的时间。
- 通信开销：经典-量子接口的数据传输延迟，在云量子计算中尤为显著。
工程化报告建议给出“每轮平均墙钟时间”和“达到收敛的总墙钟时间”，并注明硬件平台、模拟器后端和并行策略。若使用模拟器，训练时间主要受经典计算资源限制；若使用真实硬件，则受排队和噪声影响更大。
六、指标之间的权衡关系
上述指标并非独立，而是存在明确的权衡。下图展示了 QML 基准测试中五个核心指标的相互影响关系，以及工程化定义时需要记录的关键参数。
从图中可以看出，保真度提升往往需要增加测量次数或降低线路深度，这会增加训练时间；损失收敛过快可能意味着模型过早陷入局部极小，导致泛化误差增大；量子资源消耗的降低可能限制模型表达能力，从而影响保真度和泛化性能。因此，在基准测试中，不能只报告单一指标的最优值，而应给出多指标联合报告，并明确测试条件。
综上所述，QML 基准测试指标设计是一项系统工程。保真度、损失收敛、泛化误差、量子资源消耗和训练时间五个维度相互耦合，工程化定义的核心在于：明确每个指标的获取方式、记录关键参数、报告测试条件，并在多指标之间进行显式权衡分析。只有这样，基准测试才能真正推动 QML 领域的可复现研究。