3. 经典核方法与分类边界
量子核方法并不是凭空出现的新分类器，它替换的是经典核方法流水线中“核函数计算”这一环。要理解量子核能增强什么、不能替代什么，必须先把经典核方法的完整链条拆开：从原始特征空间到高维特征映射，从核矩阵到再生核希尔伯特空间（RKHS），再到支持向量机（SVM）的最大间隔分类边界。只有看清这条链上每个环节的数学角色，才能判断量子核究竟在哪个位置接入、带来什么变化、又保留了哪些经典约束。
核技巧：把内积搬到高维，而不显式计算坐标
线性分类器在原始空间中只能画超平面。若数据在原始坐标下线性不可分，经典做法是引入映射 φ(x) 把样本送到高维特征空间，再在高维空间中寻找线性分界。核技巧的关键在于：许多学习算法只依赖样本之间的内积 ⟨φ(x_i), φ(x_j)⟩，而不需要单独使用 φ(x_i)。于是定义核函数 K(x_i, x_j) = ⟨φ(x_i), φ(x_j)⟩，直接计算核值即可，无需显式构造高维向量。这带来两个直接好处：计算复杂度不再随特征维度爆炸；只要核函数合法，就能隐式地在极高维甚至无穷维空间中工作。
常见核包括线性核、多项式核、高斯径向基核（RBF）和拉普拉斯核。以 RBF 核 K(x,z)=exp(−γ‖x−z‖²) 为例，γ 控制局部影响范围：γ 越大，单个样本影响越局部，决策边界越弯曲，容易过拟合；γ 越小，边界越平滑，可能欠拟合。这个参数关系是后续理解量子核“带宽”与“纠缠程度”类比的基础。
Mercer条件：什么样的函数才配叫核
不是任意对称函数都能当核用。Mercer 条件给出判定标准：对任意有限样本集，由 K(x_i, x_j) 构成的 Gram 矩阵必须是对称半正定的。也就是说，对任意系数向量 c，都有 ∑_i ∑_j c_i c_j K(x_i, x_j) ≥ 0。满足该条件的 K 才能保证存在某个特征映射 φ 和某个内积空间，使 K 等于该空间中的内积。这条条件在量子核中同样成立：无论核值由经典电路还是量子电路计算，最终送入 SVM 的核矩阵仍必须近似对称半正定，否则优化问题不再凸，解的性质无法保证。
再生核希尔伯特空间：核方法的几何舞台
给定合法核 K，可以构造一个希尔伯特空间 H_K，其元素是由核函数线性组合生成的函数，并满足再生性：对任意 f∈H_K，有 f(x)=⟨f, K(x,·)⟩_{H_K}。这就是再生核希尔伯特空间。它的意义在于把“样本点”变成“函数”，把分类问题转化为在函数空间中的线性问题。SVM 的解可以写成 f(x)=∑_i α_i y_i K(x_i, x)+b，其中只有支持向量对应的 α_i 非零。RKHS 提供了表示定理（representer theorem）的框架，说明最优解一定落在训练样本张成的子空间内。量子核要替代的，正是这个空间中的内积计算方式；而 RKHS 的结构、表示定理和优化形式，仍然由经典理论提供。
支持向量机与核分类器：最大间隔与支持向量
核 SVM 的原始问题是最大化间隔 2/‖w‖，等价于最小化 ½‖w‖²，约束为 y_i(wᵀφ(x_i)+b) ≥ 1。通过拉格朗日对偶，问题转化为只涉及核值的二次规划：最大化 ∑_i α_i − ½∑_i∑_j α_i α_j y_i y_j K(x_i,x_j)，约束 0≤α_i≤C 且 ∑_i α_i y_i=0。C 是惩罚系数，控制对错分样本的容忍度：C 大则间隔窄、拟合强；C 小则间隔宽、正则化强。最终决策函数为 f(x)=∑_i α_i y_i K(x_i,x)+b，符号决定类别。α_i>0 的样本即支持向量，它们位于间隔边界上或边界内侧，是决定分类边界的唯一关键样本。
下面这张图把经典核分类器的完整数据流与量子核的接入位置放在同一张关系图中：左侧是经典流水线，右侧标出量子核替换的环节，底部给出核矩阵合法性检查与 SVM 求解的汇合点。
量子核替代或增强的环节
从图中可以清楚看到，量子核的接入点非常明确：它替换的是“核函数计算”模块，即用参数化量子电路 U_φ(x) 制备量子态 |φ(x)⟩，再通过 Swap Test 或干涉测量估计 K_q(x_i,x_j)=|⟨φ(x_i)|φ(x_j)⟩|²。它增强的是特征映射的表达能力：量子态所在希尔伯特空间维度随量子比特数指数增长，某些在经典核下需要极高维映射才能分开的数据，在量子特征空间中可能更容易线性可分。但它不替代 RKHS 的数学结构，不替代 Mercer 条件的合法性约束，也不替代 SVM 的最大间隔优化与支持向量选择机制。换句话说，量子核改变的是“内积怎么算、特征空间长什么样”，而“怎么用核矩阵求分类边界”仍然由经典理论完成。
实际实现时，一个典型的量子核分类流程如下：先对经典数据做角度编码或振幅编码，将每个样本 x 映射为量子电路参数；对每一对样本 (x_i,x_j) 运行电路并测量，得到核矩阵元素；对核矩阵做对称化和半正定修正；最后把修正后的 K 送入经典 SVM 求解器，得到 α_i、b 和决策函数。整个过程中，量子计算机只负责核值估计，优化和分类边界构造仍在经典侧完成。这种“量子前端 + 经典后端”的分工，正是当前量子核方法最现实的工程形态。
最后需要强调参数与数值稳定性。量子核矩阵的特征值谱往往比经典 RBF 核更集中，条件数可能更大，直接求解对偶问题容易数值不稳定。实践中建议监控核矩阵的最小特征值与最大特征值之比，若条件数超过 10⁶，应增大正则项 λ 或降低电路深度。同时，采样次数（shots）决定核值估计方差：shots 越少，核矩阵噪声越大，支持向量集合越不稳定。一般建议每个核值至少 1024 次采样，并在验证集上观察支持向量数量是否随 shots 增加而收敛。这些检查点与经典核方法一致，说明量子核并未绕开核方法的固有工程约束，而是在同一套约束下换了一种内积计算方式。