4. 参数化量子线路作为可训练模型

在量子机器学习中，参数化量子线路（Parameterized Quantum Circuit, PQC）扮演着“量子版神经网络”的角色。它由一系列量子门构成，其中一部分门的旋转角度不是固定常数，而是可调节的连续变量，称为变分参数。这些参数通过经典优化器迭代更新，使线路输出逼近目标函数。理解PQC的可训练性，需要同时把握三个相互制约的维度：变分参数的规模与分布、线路结构决定的表达能力、以及训练自由度与优化难度之间的平衡。

变分参数与线路结构

一个典型的PQC可以写成如下形式：

U(θ) = U_L(θ_L) ··· U_2(θ_2) · U_1(θ_1)

其中每个 U_i(θ_i) 通常由固定纠缠层和可调旋转层组成：
U_i(θ_i) = W_i · R_i(θ_i)

R_i(θ_i) = ⊗_j R_{α}(θ_{i,j})，α ∈ {X, Y, Z}
W_i 为不含参数的纠缠门层（如CNOT、CZ）

这里 θ 是一个实数向量，维度等于可训练旋转门的总数。线路结构决定了参数如何“嵌入”到量子态演化中：单量子比特旋转门负责在Bloch球面上调整相位和幅度，双量子比特纠缠门负责在量子比特之间建立关联。没有纠缠的PQC等价于多个独立单比特旋转，其表达能力受限于乘积态；加入纠缠后，线路才能探索更大的希尔伯特空间。

从训练自由度角度看，参数数量并非越多越好。若参数数量远小于线路可表达的独立方向数，模型可能欠拟合；若参数过多且结构冗余，则会出现参数空间中的平坦区域或周期性重复，导致梯度消失或优化停滞。因此，线路设计需要在参数规模与结构效率之间取得平衡。

表达能力与训练自由度的关系

表达能力描述PQC能够生成的量子态集合或函数集合的丰富程度。对于n个量子比特，完整希尔伯特空间维度为2^n，但PQC通常只覆盖其中一个子流形。表达能力的强弱取决于：

• 纠缠门的连接拓扑：线性链、环形、全连接等不同拓扑影响信息传播范围。
• 旋转门的种类与方向：仅使用RZ门只能改变相位，无法改变布居数；同时使用RX、RY、RZ才能覆盖Bloch球面。
• 线路深度：深度增加通常提升表达能力，但也增加训练难度和噪声影响。

训练自由度则指优化器实际可独立调节的参数方向数量。当线路存在对称性或参数冗余时，有效自由度小于名义参数数。例如，两个相邻的RZ门若中间没有其他门，其效果等价于一个RZ门，多出的参数不增加表达能力，反而使优化地形更复杂。因此，设计PQC时应尽量使每个参数都对应一个独立的、对输出有可观测影响的方向。

常见参数化门的选择原则

选择哪些门作为可训练门，直接影响模型的表达能力和优化行为。以下是几条实用原则：

1. 旋转门优先选择RX、RY、RZ。这三个门分别对应绕Bloch球X、Y、Z轴的旋转，任意单比特酉操作都可以由它们组合而成。若只使用RZ，则只能调节相位，无法改变测量概率；若只使用RY，则只能调节布居数，无法覆盖完整Bloch球。通常建议在同一层中至少包含两个不同轴的旋转门，或交替使用。

2. 纠缠门通常固定，不参与训练。CNOT、CZ、SWAP等门作为固定结构，负责建立量子比特间的关联。它们不引入额外参数，但决定了信息传播的路径。若将纠缠门也参数化（如用参数控制CNOT角度），会显著增加训练难度，且容易陷入局部最优。除非有特定物理动机，否则建议保持纠缠门固定。

3. 参数初始化应避免全零或全相同。若所有θ初始化为0，则旋转门退化为恒等操作，线路输出与初始态相同，梯度可能为零。常用策略是均匀随机初始化在[-π, π]区间，或使用小方差高斯分布。对于深层线路，可采用逐层初始化或基于单位圆的分层策略，以缓解梯度消失。

4. 参数共享可减少自由度但可能限制表达。在某些任务中，可以让同一层的多个量子比特共享同一个参数（如所有RY门使用同一个θ）。这减少了参数数量，降低了过拟合风险，但也可能使模型无法区分不同量子比特的状态。是否共享取决于任务是否具有量子比特对称性。

5. 线路深度与参数数量应匹配任务复杂度。对于简单分类任务，2~4层、每层4~8个参数通常足够；对于需要高表达能力的任务，可增加到6~10层，但需配合梯度裁剪、学习率衰减等优化技巧。一个经验性判断是：若训练损失下降缓慢且验证损失同步下降，可适当增加深度；若训练损失下降但验证损失上升，则应减少参数或增加正则化。

训练自由度与优化地形的直观理解

可以把PQC的参数空间想象成一片高低起伏的地形，损失函数是地形高度。训练自由度就是优化器可以移动的方向数。若地形中存在大量平坦高原或周期性峡谷，梯度下降容易停滞。参数化门的选择和线路结构决定了这片地形的形状：

• 过多的同轴旋转门会产生周期性平坦区域，因为旋转2π后状态复原，梯度周期重复。
• 纠缠门太少会导致地形可分离，不同参数之间互不影响，优化器难以协调。
• 纠缠门太多且无规律则可能产生贫瘠高原（barren plateau），梯度随量子比特数指数衰减。

因此，一个实用的设计流程是：先确定任务所需的量子比特数和测量算符，再选择旋转门类型和纠缠拓扑，最后通过小规模实验调整深度和参数初始化。线路结构不是越复杂越好，而是要与任务复杂度、可用训练样本和硬件噪声水平相匹配。

一个可参考的PQC配置示例

以下给出一个用于4量子比特二分类任务的PQC配置示例，参数和结构均为教学假设，非实测结果：

该配置中，每个参数都对应一个独立的旋转角度，纠缠门固定为环形CNOT。环形拓扑在4比特下提供了足够的纠缠连接，同时避免了全连接带来的过多双比特门。若任务需要更强的表达能力，可将层数增加到4~5层，或改用RY+RZ+RY的三旋转门组合。若训练中出现梯度消失，可尝试减小初始化范围或改用逐层训练策略。

总结来说，PQC作为可训练模型，其核心在于变分参数、线路结构和训练自由度三者的协调。旋转门提供可调方向，纠缠门提供关联能力，参数初始化与优化策略决定训练能否有效进行。选择参数化门时，优先使用RX/RY/RZ，保持纠缠门固定，控制参数数量与线路深度匹配任务复杂度，并通过小规模实验验证梯度行为，是构建可训练量子模型的基本路径。