2. 量子参数优化问题建模

变分量子算法（VQA）在纸面上往往只有一句话：准备参数化量子电路，测量期望值，用经典优化器调整参数。但真正决定后续选型与调参成败的，是在动手之前把问题写成一个结构清晰的数学优化问题。如果目标函数、参数空间、约束和噪声四件事没有界定清楚，后面无论选 COBYLA 还是 SPSA、无论调多少学习率，都只是在盲目试错。本节的任务，就是把一个具体的变分任务抽象成可分析、可比较、可选型的优化模型，并据此建立选型评价维度。

一、目标函数的确定：从电路到标量

变分量子算法的优化对象永远是一个标量实值函数。以最常见的 VQE 求基态能量为例，设参数化电路为 $U(\boldsymbol{\theta})$，初始态为 $|0\rangle^{\otimes n}$，则目标函数为

$f(\boldsymbol{\theta}) = \langle 0| U^\dagger(\boldsymbol{\theta})\, H\, U(\boldsymbol{\theta}) |0\rangle$

其中 $H$ 是问题哈密顿量。工程上这个期望值不是解析算出来的，而是把 $H$ 拆成若干 Pauli 串的加权和 $H=\sum_k c_k P_k$，对每一项在量子设备上做测量、按测量次数求频率估计，再加权求和。因此实际被优化的函数是带统计噪声的估计值 $\hat f(\boldsymbol{\theta})$，而不是精确的 $f(\boldsymbol{\theta})$。这一点必须在建模阶段就写进模型，否则会误判优化器的收敛行为。

建模时建议明确三件事：目标函数是求最小还是最大（VQE 求最小，QAOA 的近似比常写成最大化，需统一符号）；期望值估计用了多少 shots；是否对 Hamiltonian 做了分组测量以减少方差。例如一个 4 量子比特的横场 Ising 模型，$H = -J\sum_{\langle i,j\rangle} Z_iZ_j - h\sum_i X_i$，若取 $J=1$、$h=0.5$，则共有 4 个 ZZ 项和 4 个 X 项，每轮评估至少需要 8 组测量设置（分组后可减少），每组 1024 shots，单次目标函数评估的采样成本就相当可观——这直接影响后面优化器"能承受多少次函数评估"的判断。

二、参数空间：维度、范围与几何

参数空间由电路 ansatz 决定。硬件高效 ansatz 通常每层每个量子比特带一个旋转角，若 $n=4$、层数 $L=2$、每层用 $R_y$ 和 $R_z$ 各一个，则参数维度 $d = 4\times2\times2 = 16$。建模时要写清：

• 维度 $d$：直接决定优化器在高维下的行为，$d$ 从十几到上百时，梯度类与无梯度类的表现差异会迅速放大。
• 取值范围：旋转角天然具有 $2\pi$ 周期性，$R_y(\theta)$ 与 $R_y(\theta+2\pi)$ 等价，因此参数空间本质是环面而非欧氏空间。这解释了为什么"参数初始化在 $[0,2\pi)$ 均匀采样"和"初始化在 $[-\pi,\pi)$"在效果上可能不同。
• 对称性：某些参数组合产生相同量子态，形成平坦方向，导致 Hessian 奇异、优化停滞。建模时可通过检查 ansatz 是否存在冗余参数来预判。

此外要区分可训练参数与固定参数（如数据重上传中的编码角、QAOA 中固定的问题角 $\gamma$ 之外的混合角 $\beta$）。只有可训练参数进入优化变量向量 $\boldsymbol{\theta}\in\mathbb{R}^d$。

三、约束：显式与隐式

量子参数优化中的约束往往不是"不等式约束"这种教科书形式，而是隐式约束：参数必须对应合法电路、测量预算有限、电路深度受相干时间限制。建模时应把它们分成两类：

• 硬约束：参数范围（如角度归一化到 $[0,2\pi)$）、允许的门集合、最大电路深度。违反即不可执行。
• 软约束/预算约束：总 shots 上限、总电路执行次数上限、墙钟时间上限。它们不改变可行域，但决定了优化器能"花多少代价"。

把预算写成约束很重要。例如设定总评估预算 $N_{\text{eval}}=2000$ 次，每次评估 1024 shots，则总采样约 $2\times10^6$ 次；若优化器是有限差分梯度法，$d=16$ 时每步需 $2d+1=33$ 次评估，2000 次预算只够约 60 步——这直接排除了"用梯度法跑几百步"的方案。约束在这里起到了选型筛选器的作用。

四、噪声：把不完美写进模型

真实设备上，目标函数被三层噪声污染：统计噪声（有限 shots 的采样涨落，方差约 $\propto 1/N_{\text{shots}}$）、门与读出误差（系统性偏置，使估计值整体偏移）、退相干（随电路深度增长，使深层 ansatz 的期望值被压低）。建模时至少应记录：shots 数、估计的读出错误率、单/双比特门错误率、以及电路深度与 $T_2$ 的比值。

一个实用的判断是：若统计噪声标准差 $\sigma$ 与目标函数在相邻参数点的真实差异同量级，则优化器看到的"地形"已被噪声抹平，此时应优先增大 shots 或采用参数化噪声鲁棒的优化器（如 SPSA），而不是继续加步数。噪声不是事后才考虑的干扰，而是模型的一部分。

五、从模型到选型评价维度

模型建好之后，选型就不再是"凭经验挑一个优化器"，而是把模型特征映射到评价维度上。上图的右侧给出了由四要素自然导出的七个维度，它们不是凭空罗列的，而是每一项都能追溯到模型中的某个量：

• 评估预算容忍度：由约束中的 $N_{\text{eval}}$ 与参数维度 $d$ 共同决定。有限差分梯度每步 $2d+1$ 次评估，$d=16$ 时一步抵得上无梯度法十几步，预算紧张时这是硬门槛。
• 噪声鲁棒性：由噪声层的 $\sigma$ 与偏置决定。SPSA 只用两次评估估计梯度方向，对统计噪声有一定平均效应；而朴素有限差分在 $\sigma$ 较大时梯度估计会被淹没。
• 维度可扩展性：$d$ 从 16 增到 64 时，梯度法的每步成本线性增长，无梯度法（如 COBYLA）的单纯形规模也随之增长，需分别评估。
• 约束满足能力：角度周期性要求优化器能处理环绕，或至少在更新后做 $[0,2\pi)$ 归一化；预算硬限要求优化器支持"评估次数用尽即停"。
• 地形适应性：ansatz 的对称性冗余会制造平坦方向，此时二阶或拟牛顿类方法可能因 Hessian 奇异而失效，一阶或直接搜索法反而稳健。
• 实现复杂度：是否需要解析梯度（参数移位规则）、超参数（学习率、扰动步长）有多少，直接影响调参工作量。
• 收敛可观测性：能否输出每步的 $\hat f$ 与梯度范数，决定我们能否设置可靠的停止判据。

六、一个可填写的建模记录示例

为了让建模结果可复现、可比较，建议为每个任务留一份简短的建模记录。以下是一个示例性记录（数值为教学假设，非实测）：

有了这张表，选型讨论就有了共同语言：如果预算只有 2000 次评估、$d=16$、噪声中等，那么"有限差分 + Adam"在评估次数上就明显吃紧，而 SPSA 或 COBYLA 更匹配；如果预算放宽到 $10^4$ 次且 shots 提高到 8192 使 $\sigma$ 下降，梯度类方法才重新具备竞争力。这正是"先建模、再选型"的价值——把模糊的经验判断，转化为可对照模型参数逐项核对的决策。