4. 量子态制备作为生成任务
在经典生成模型里，我们关心的是“如何从简单分布出发，生成服从目标分布的样本”。把视角切换到量子计算，一个自然的问题是：能否把“制备一个目标量子态”也看成一次生成任务？答案是肯定的，而且这种映射不是文字游戏，它直接决定了我们选择什么算法、如何设计损失函数、以及如何判断制备是否成功。
先明确本节使用的约定：目标态记为 \(|\psi_{\text{target}}\rangle\)，参考初态通常取计算基下的全零态 \(|0\rangle^{\otimes n}\)；制备线路记为 \(U(\theta)\)，其中 \(\theta\) 是可调参数向量；制备得到的态记为 \(|\psi(\theta)\rangle = U(\theta)|0\rangle^{\otimes n}\)。所有保真度均按 \(F = |\langle\psi_{\text{target}}|\psi(\theta)\rangle|^2\) 定义，取值在 0 到 1 之间，越接近 1 表示制备越成功。
三类制备任务与生成视角的对应
任意量子态制备对应“精确生成”。给定任意一个 \(n\) 量子比特目标态，理论上总存在一个酉变换把 \(|0\rangle^{\otimes n}\) 映射到它，问题在于线路深度和门数量。一般 \(n\) 比特态需要约 \(2^n\) 个实参数描述，精确制备的线路规模随 \(n\) 指数增长，因此它更像“存在性保证”，而不是可扩展方案。
近似态制备对应“带误差容忍的生成”。我们不再要求 \(F=1\)，而是设定阈值，例如 \(F \ge 0.99\) 或 \(F \ge 0.999\)。这时可以截断小振幅分量、使用近似分解，把线路深度压到可接受范围。近似制备的核心权衡是：保真度损失换线路资源节省。
变分态制备对应“用参数化生成器学习目标分布”。我们固定一个含参线路模板（ansatz），通过经典优化器调整 \(\theta\)，使 \(|\psi(\theta)\rangle\) 逼近目标态。这正是量子生成模型最直接的形态：ansatz 是生成器，\(\theta\) 是生成器参数，目标态是数据分布，优化过程就是训练。
从“制备”到“训练”：变分制备的实际流程
变分态制备是三类任务中最接近现代生成模型的一类，值得展开到可操作层面。假设我们要制备一个 3 量子比特的 GHZ 态 \(|\psi_{\text{target}}\rangle = (|000\rangle + |111\rangle)/\sqrt{2}\)，并选用硬件高效 ansatz：每层由 \(R_y\) 旋转和 CNOT 纠缠层组成，共 2 层，参数总数 \(3 \times 2 \times 2 = 12\) 个。
训练循环可以写成如下伪代码，其中保真度通过量子态层析或 Hadamard 测试估计：
初始化 θ ← 小随机数（避免对称初始化导致梯度为零）
for step in 1..200:
|ψ(θ)⟩ ← 在模拟器/真机上执行 U(θ)|000⟩
F ← |⟨ψ_target|ψ(θ)⟩|² # 目标函数
g ← 参数移位法则估计 ∂F/∂θ_i # 每个参数两次前向
θ ← θ + η · g # η 为学习率，如 0.1
若 F ≥ 0.995: 提前停止
输出 θ*, F_final这里有两个容易踩坑的细节。第一，初始化不能全零：若所有 \(R_y\) 角度为 0，则梯度可能整体为零，优化器无法启动。第二，参数移位法则要求每个参数单独扰动 \(+\pi/2\) 和 \(-\pi/2\)，因此每步的线路执行次数是参数数的两倍，12 个参数即 24 次前向，这是评估训练成本的基本单位。
如何判断制备是否成功
判断依据不能只看损失曲线下降，还要看物理量是否与目标一致。对 GHZ 态示例，可以同时检查三个指标：保真度 \(F\)、宇称期望 \(\langle Z_1Z_2Z_3\rangle\)（目标为 +1）、以及 \(X\) 基下的关联 \(\langle X_1X_2X_3\rangle\)（目标为 +1）。若 \(F\) 高但某个关联量明显偏离，说明优化落入了局部极小或 ansatz 表达力不足，需要增加层数或更换纠缠结构。
生成模型视角带来的三个直接好处
- 损失函数有明确物理含义：生成模型里的散度对应量子态区分度，保真度、迹距离、相对熵都可以作为训练目标，选择哪一种取决于我们关心的是“像不像”还是“能不能区分”。
- 可以借用生成模型的评估习惯：把制备线路当作生成器后，我们会自然地检查模式坍缩（只生成目标态的部分分量）、模式覆盖（是否遗漏小振幅分量）和样本多样性（测量结果的分布熵）。
- 为混合架构铺路：经典判别器 + 量子生成器的结构，正是量子生成对抗网络的形式；理解“制备即生成”后，判别器的输入就是量子态测量得到的比特串分布。
需要强调的是，三类制备任务并非互斥。实际工程中常见组合是：先用近似制备快速得到一个 \(F \approx 0.9\) 的初态，再用变分制备把它精调到 \(F \ge 0.99\)。这种“粗制备 + 精训练”的两段式策略，既避免了精确制备的指数代价，也缓解了变分优化从随机初值出发容易陷入局部极小的问题。