3. 变分量子线路原理

变分量子分类器（VQC）的核心计算单元是一条参数化量子线路（Parameterized Quantum Circuit, PQC）。它由若干固定门与带可调角度的旋转门交替排列而成，通过经典优化器不断调整这些角度，使线路输出的测量结果逼近分类目标。理解 PQC，本质上要回答四个问题：线路由什么构成、哪些量可以调、它能表示多复杂的函数、以及纠缠在其中扮演什么角色。

一、参数化量子线路的结构

一条典型的 PQC 可以拆成三段：数据编码层、可训练变分层、测量层。数据编码层把经典特征 x 映射为量子态，常用角度编码，即把特征值作为旋转角：

# 角度编码示例：2 个特征编码到 2 个量子比特
qc.ry(x[0], 0)      # 第 0 个量子比特绕 Y 轴旋转 x[0]
qc.ry(x[1], 1)      # 第 1 个量子比特绕 Y 轴旋转 x[1]

变分层是线路的“可学习部分”，通常由单比特旋转门（RX/RY/RZ）与双比特纠缠门（CNOT/CZ）按层堆叠。一个常见的强纠缠层（Strongly Entangling Layer）结构是：每个量子比特先做 RY(θ) 与 RZ(φ)，再以环形或全连接方式施加 CNOT。测量层则在计算基下测量各比特的 Z 期望值，得到经典输出向量，供后续分类判决使用。

结构设计上有两个关键选择：层数 L 与纠缠拓扑。层数决定线路深度，直接影响可调参数数量与训练难度；纠缠拓扑决定信息在比特间的流动路径，常见有线性链、环形、全连接三种。线性链硬件友好但信息传播慢，全连接表达力强但双比特门数量随比特数平方增长，在含噪声设备上更容易累积误差。

二、可调参数：数量、初始化与梯度

上图中每个 RY(θ) 与 RZ(φ) 都携带一个可训练角度。若线路有 n 个量子比特、L 个变分层，每层每比特两个旋转门，则参数总数为 2·n·L。例如 n=4, L=3 时共 24 个参数。参数向量 θ⃗ 就是经典优化器要搜索的对象。

参数初始化不能全取 0。若所有旋转角为 0，线路退化为恒等操作附近，梯度可能整体接近零，训练停滞。实践中常用小范围均匀随机初始化，如 θ ∈ [-0.1, 0.1] 或 [0, 2π)，也可用基于单位矩阵附近的“恒等初始化”策略缓解贫瘠高原。梯度计算常用参数移位规则：对形如 e^{-iθP/2} 的门，其期望值梯度可由同一线路在 θ±π/2 两处的取值差分得到：

# 参数移位规则（以 RY 为例）
grad = (E(θ + π/2) - E(θ - π/2)) / 2

这意味着每个参数每轮需额外两次线路执行，参数规模大时评估成本显著上升，这也是 PQC 设计要控制参数数量的现实原因。

三、表达能力：它能拟合多复杂的决策边界

表达能力衡量 PQC 能生成的量子态集合有多丰富，进而决定其可实现的分类函数复杂度。它主要受三方面影响：纠缠门的存在使线路能离开乘积态子空间；非对易门的交替（如 RY 与 RZ 交替）使旋转轴不断变化，避免退化为单一方向旋转；层数 L 增加则扩展可达态空间。一个只有单比特旋转、没有纠缠门的线路，其输出对多比特测量是各比特独立的，无法表达特征间的强相关决策边界，例如经典的异或型分类问题。

但表达能力强不等于训练效果好。层数过深会带来两个问题：参数维度高导致优化 landscape 复杂，以及噪声设备上深线路的退相干使信号衰减。因此实际开发中常从 L=1~2 起步，逐步增加并观察验证集表现，而不是一味堆深度。

四、纠缠能力：信息如何在比特间流动

纠缠是 VQC 区别于经典单比特模型的关键资源。CNOT 等双比特门把控制比特的信息“写入”目标比特的相位与幅度关联中，使后续单比特旋转能间接影响多个比特的联合测量结果。纠缠拓扑因此决定了特征交互的路径：线性链上，q0 的信息要经过多级 CNOT 才能影响 q3，深层才能实现远距离交互；全连接拓扑则一步到位，但门数多、噪声敏感。

需要强调的是，纠缠并非越多越好。过度纠缠可能使线路输出对输入特征不敏感（信息被“搅匀”），也可能加剧贫瘠高原。合理的做法是让纠缠强度与任务的特征交互复杂度匹配：简单线性可分任务用浅层、稀疏纠缠即可；特征间存在明显高阶交互时，再增加纠缠层与连接度。

综上，PQC 的结构、参数、表达能力和纠缠能力是相互制约的整体：结构决定参数布局，参数规模影响可训练性，表达能力与纠缠能力共同决定分类边界的上限。理解这四者的关系，才能在后续开发中做出有依据的线路设计决策，而不是盲目堆叠门与层。