📚 课程目录第4章量子特征映射与量子核定义

4. 量子特征映射与量子核定义

在经典机器学习中，核方法的核心思想是：把原始数据通过一个非线性映射 φ(x) 送到高维特征空间，再在特征空间里做内积，从而在不显式构造高维向量的情况下获得非线性判别能力。量子核方法沿用了这一思路，但把“特征空间”换成了量子态所在的希尔伯特空间，把“内积”换成了量子态之间的内积（保真度）。本节要回答三个问题：数据如何变成量子态、量子核的数学形式是什么、它和经典核是什么关系。

一、从数据到量子态：量子特征映射

量子特征映射（quantum feature map）是一个把经典数据 x 映射为量子态 |φ(x)⟩ 的过程。设输入 x ∈ ℝ^d，映射写作：

|φ(x)⟩ = U(x) |0…0⟩

其中 U(x) 是由 x 参数化的量子线路（酉算子），|0…0⟩ 是 n 个量子比特的初始态。也就是说，特征映射不是“算”出来的向量，而是“制备”出来的量子态。常见的编码方式有三类：

基编码（basis encoding）：把二进制串直接对应到计算基态，如 x=101 映射为 |101⟩。适合离散、组合类数据。
角度编码（angle encoding）：每个特征作为一个旋转角，例如对第 i 个特征做 R_y(x_i)，n 个特征用 n 个量子比特，线路浅、易实现。
振幅编码（amplitude encoding）：把归一化后的 x 直接作为量子态的振幅，n 个量子比特可承载 2ⁿ 个特征，节省比特但制备线路较深。

更一般地，可以叠加纠缠层，例如先做 Hadamard 层，再对相邻比特做 CNOT 和受控旋转，使特征之间产生非线性关联。这一步决定了量子核的“表达能力”：映射越复杂，对应的特征空间越丰富，但线路也越难在含噪设备上稳定执行。

二、量子核的数学形式

量子核定义为两个数据点在量子特征空间中的内积：

k(x, x') = |⟨φ(x) | φ(x')⟩|²

若映射为纯态且不考虑噪声，也可写作 ⟨φ(x)|φ(x')⟩ 的模平方。它等价于：先用 U(x) 制备 |φ(x)⟩，再用 U(x')† 作用，最后测量回到 |0…0⟩ 的概率。这个概率就是核值。因此量子核的物理含义非常直接：两个数据点的核值，等于把其中一个态“逆变换”后测回全零态的概率。

从形式上看，量子核是一个合法的核函数：它对称、半正定，满足 Mercer 条件，因此可以直接代入支持向量机、核岭回归或高斯过程等经典核方法中，而无需改变这些算法的求解框架。

三、内积估计：如何真正测出核值

量子核不能像经典核那样直接算出来，必须通过测量估计。最常用的是交换测试（swap test）和逆线路法。

逆线路法更直接：构造线路 U(x')† U(x)，作用在 |0…0⟩ 上，测量全零态概率 P₀，则 k(x,x') = P₀。实际操作中，由于测量只能得到频率，需要重复采样 N 次，用命中次数除以 N 作为估计。估计误差约为 1/√N，因此要得到 1% 的精度，大约需要 10⁴ 次采样。这是量子核方法在近期设备上的主要开销来源。

交换测试则借助辅助比特和受控交换门，把两个态的内积转化为辅助比特的测量偏置，适合两个态都难以直接逆变换的场景。两种方法都需要注意：含噪设备上测量到的不是理想核值，而是被噪声平滑后的近似值，通常需要误差缓解或多次重复取平均。

四、量子核与经典核的对应关系

量子核与经典核并非两套互不相干的体系，它们的关系可以从三个层面理解。

第一，形式对应。经典核写作 k(x,x') = ⟨φ(x), φ(x')⟩，量子核写作 k(x,x') = |⟨φ(x)|φ(x')⟩|²。两者都是“特征空间内积”，区别只在于特征空间是经典向量空间还是复希尔伯特空间。因此量子核天然满足核方法所需的对称性与半正定性，可以直接嵌入经典核学习框架。

第二，可实现性对应。并非所有量子核都是“新”的。当特征映射只使用单比特旋转且不含纠缠时，量子核往往可以写成若干经典核的乘积或组合。例如角度编码下，若各比特独立旋转，核值会分解为各维余弦函数的乘积，本质上等价于一个乘积型经典核。只有当映射引入纠缠时，量子核才可能表达经典核难以高效计算的结构。

第三，计算复杂度对应。经典核的核值通常可以 O(d) 或 O(d²) 直接算出；量子核的核值需要通过量子线路采样估计，单次估计成本与线路深度和采样次数相关。量子核的优势不在于“算得快”，而在于它对应的特征空间可能维度极高、结构极复杂，经典方法难以显式构造或高效计算。但这一优势能否兑现，取决于线路是否可高效执行、噪声是否可控、以及是否存在经典方法可以模拟该核。

判断一个量子核是否值得使用，可以问三个问题：该特征映射是否引入了经典难以模拟的纠缠结构？在目标数据规模下，采样估计的总开销是否低于经典核的计算开销？含噪设备上的核矩阵是否仍保持足够的半正定性和判别能力？

五、一个可操作的小例子

设两个一维数据点 x=0.3、x'=1.1，采用角度编码，单量子比特做 R_y(x)|0⟩。此时：

|φ(x)⟩ = cos(x/2)|0⟩ + sin(x/2)|1⟩
⟨φ(x)|φ(x')⟩ = cos((x-x')/2)
k(x,x') = cos²((x-x')/2)

代入 x-x' = -0.8，得 cos²(0.4) ≈ 0.848。若用逆线路法，构造 R_y(-x')R_y(x)|0⟩ = R_y(x-x')|0⟩，测量 |0⟩ 的概率即 cos²((x-x')/2) ≈ 0.848。采样 1000 次，命中约 848 次，估计值约 0.848，误差约 0.011，与 1/√N 的预期一致。这个例子说明：量子核的估计过程是概率性的，核矩阵的精度直接受采样次数控制。

在实际工程中，通常先在小规模数据上构造核矩阵，检查其是否近似半正定、对角线是否接近 1、不同类别之间的核值是否有区分度，再决定是否投入更多采样或调整特征映射。若核矩阵接近单位阵，说明映射过于“尖锐”，样本之间几乎正交，模型难以泛化；若所有核值都接近同一常数，说明映射过于“平滑”，判别信息不足。这两类现象都是调整特征映射深度和纠缠结构的重要信号。