3. 参数化量子门与旋转操作

在参数化量子电路（PQC）中，旋转门是承载可训练参数的核心元件。与固定门（如 X、H、CNOT）不同，旋转门接受一个连续角度参数 θ，使量子态能够沿布洛赫球上的连续轨迹演化。理解 RX、RY、RZ 的几何意义、参数化形式以及参数共享策略，是设计变分量子算法（VQA）的基础。

旋转门的数学形式与几何意义

三个基本旋转门的矩阵定义为：

RX(θ) = [[cos(θ/2), -i·sin(θ/2)],
         [-i·sin(θ/2),  cos(θ/2)]]

RY(θ) = [[cos(θ/2), -sin(θ/2)],
         [sin(θ/2),  cos(θ/2)]]

RZ(θ) = [[e^(-iθ/2), 0        ],
         [0,          e^(iθ/2)]]

在布洛赫球图像中，RX(θ) 使态矢量绕 X 轴旋转 θ 角，RY(θ) 绕 Y 轴旋转，RZ(θ) 绕 Z 轴旋转。注意矩阵中出现的 θ/2 而非 θ，这意味着旋转门具有 4π 周期性：θ 增加 2π 时态矢量回到原处，但全局相位变为 -1。这一性质在参数优化中需要留意，因为梯度计算对周期敏感。

从初始态 |0⟩ 出发，各旋转门的作用效果为：

  • RX(θ)|0⟩ = cos(θ/2)|0⟩ - i·sin(θ/2)|1⟩，测量 |1⟩ 的概率为 sin²(θ/2)
  • RY(θ)|0⟩ = cos(θ/2)|0⟩ + sin(θ/2)|1⟩，测量 |1⟩ 的概率同样为 sin²(θ/2)，但相位不同
  • RZ(θ)|0⟩ = e^(-iθ/2)|0⟩，仅改变全局相位，不改变测量概率

这里有一个关键区别：RZ 作用在计算基态 |0⟩ 或 |1⟩ 上时只产生相位变化，不改变布洛赫矢量方向。因此，单独使用 RZ 无法从 |0⟩ 制备叠加态，必须与 RX 或 RY 配合，或者作用在已处于叠加态的量子比特上才能体现效果。

旋转门对量子态的演化路径（布洛赫球视角） |0⟩ |1⟩ X -X θ RX(θ) 绕 X 轴旋转 |0⟩ |1⟩ X -X θ RY(θ) 绕 Y 轴旋转 |0⟩ |1⟩ X -X θ RZ(θ) 绕 Z 轴旋转（需叠加态） 参数共享 vs 独立参数： θ θ θ 共享：1 个参数控制 3 个门 θ₁ θ₂ θ₃ 独立：3 个参数控制 3 个门

参数对量子态演化的影响

参数 θ 的取值直接决定量子态的最终位置。以 RY(θ) 作用在 |0⟩ 上为例，测量得到 |1⟩ 的概率为 sin²(θ/2)。当 θ = 0 时，态保持 |0⟩；θ = π/2 时，得到等概率叠加态 (|0⟩+|1⟩)/√2；θ = π 时，态翻转到 |1⟩。这种连续可调性使得旋转门成为变分优化中调整态矢量的“旋钮”。

多个旋转门串联时，参数之间会产生干涉效应。例如先 RY(θ₁) 再 RZ(θ₂) 再 RY(θ₃)，最终态是三个旋转的复合。由于旋转矩阵不可交换，门的顺序会影响最终结果。在参数化电路中，这种顺序敏感性意味着参数梯度不仅取决于单个参数，还受到前后门参数的影响，这正是量子自然梯度等高级优化方法需要处理的问题。

从梯度角度看，对于形如 U(θ) = e^(-iθG/2) 的旋转门，其参数梯度可以通过参数偏移规则（parameter-shift rule）精确计算：∂⟨O⟩/∂θ = [⟨O⟩(θ+π/2) - ⟨O⟩(θ-π/2)]/2。这意味着每个参数的梯度需要两次额外电路评估，参数数量直接决定优化成本。

参数共享与独立参数的选择

在设计 PQC 时，参数共享策略是一个关键决策。参数共享指多个门使用同一个参数变量，独立参数则每个门拥有自己的参数。两种策略各有适用场景：

维度参数共享独立参数
参数数量少，优化空间维度低多，优化空间维度高
表达能力受限，但可能匹配问题对称性强，可拟合更复杂函数
过拟合风险较低较高，尤其在小数据集上
梯度消失较易出现 barren plateau参数多时也可能出现
典型场景量子卷积、对称性问题、硬件高效 ansatzVQE 分子基态、通用函数逼近

选择策略时，可以从问题对称性出发：如果目标问题具有平移不变性或置换对称性，参数共享可以显著减少优化难度并提升泛化能力。例如在量子卷积神经网络中，同一卷积核参数在多个位置共享，既减少参数又保持特征提取能力。反之，如果问题没有明显对称性，或者需要高精度拟合，独立参数更合适，但需要配合良好的初始化策略和正则化手段。

实践建议：在硬件高效 ansatz 中，常见做法是分层共享——同一层的旋转门共享参数，不同层使用不同参数。这样既控制了参数总量，又保留了层间表达能力。例如 4 量子比特、3 层的电路，若每层 8 个旋转门，独立参数需 24 个，分层共享则只需 3 个参数（每层 1 个），优化难度大幅降低。

参数初始化与范围选择

旋转门参数的初始化范围直接影响优化起点。常用策略包括：

  • 小随机初始化：θ ~ Uniform(-0.1, 0.1)，适合接近恒等变换的起点，但可能陷入局部极小。
  • 均匀初始化：θ ~ Uniform(-π, π)，覆盖完整周期，适合探索性优化。
  • 零初始化：θ = 0，电路退化为恒等，梯度可能为零，通常不推荐。
  • Xavier 类初始化：根据门数量和层数缩放方差，缓解梯度消失。

对于 RZ 门，由于其 4π 周期性，参数范围可设为 [-2π, 2π] 以避免相位缠绕带来的数值问题。实际实现中，多数框架（如 Qiskit、PennyLane）允许参数为任意实数，内部自动处理周期性。

一个可执行的参数化电路示例

以下是一个 2 量子比特、2 层的参数化电路示例，采用分层共享策略，使用 RY 和 RZ 旋转门加 CNOT 纠缠：

# 伪代码：2-qubit, 2-layer PQC with layer-wise parameter sharing
params = {
    "layer1": {"ry": 0.5, "rz": 0.3},
    "layer2": {"ry": -0.8, "rz": 1.2}
}

circuit:
  for layer in [1, 2]:
    # Rotation layer
    RY(q0, params[layer]["ry"])
    RZ(q0, params[layer]["rz"])
    RY(q1, params[layer]["ry"])
    RZ(q1, params[layer]["rz"])
    # Entanglement layer
    CNOT(q0, q1)

# Total trainable parameters: 4 (2 per layer × 2 layers)
# Without sharing: 8 parameters

该电路共 4 个可训练参数。若改为独立参数，则需 8 个。在优化时，可以观察损失函数随迭代次数的下降曲线：共享参数通常收敛更快但最终损失可能略高；独立参数收敛慢但可能达到更低损失。实际选择时，建议先用共享参数快速验证电路结构，再逐步放开为独立参数进行精细优化。

注意：参数共享不等于参数绑定到同一个值后不再更新。在反向传播中，共享参数会累积来自所有使用位置的门梯度，更新量是各位置梯度之和。因此共享参数的梯度通常比独立参数更大，学习率需要相应调整。

总结来说，RX、RY、RZ 提供了量子态演化的连续控制能力，参数化形式使这些门成为可训练的变分元件。理解各旋转门的几何作用、参数对测量结果的影响，以及共享与独立参数的权衡，是构建高效 PQC 的基础。在实际开发中，建议从问题对称性出发选择参数策略，配合合理的初始化和梯度计算方法，逐步迭代优化电路结构与参数配置。

← 上一章 📖 返回目录 下一章 →