2. 量子计算基础与混合网络中的量子层
在混合量子经典网络中，经典部分负责数据预处理、参数优化与结果聚合，量子部分则承担在特定希尔伯特空间中完成特征映射与可观测量的计算。要理解整条训练流水线，首先必须把量子层的“输入—变换—读出”链条讲清楚：量子比特如何表示数据、量子门如何改变状态、测量如何把量子态转化为经典可用的数值，以及期望值估计如何成为损失函数与梯度的来源。
量子比特：从状态向量到可观测数据
一个量子比特的纯态可写成 |ψ⟩ = α|0⟩ + β|1⟩，其中 α、β 为复数且满足 |α|² + |β|² = 1。与经典比特只能取 0 或 1 不同，量子比特在测量前处于叠加态。在混合网络中，我们通常不直接“读取”α 和 β，而是通过多次测量统计得到概率分布。例如对状态 cos(π/8)|0⟩ + sin(π/8)|1⟩ 进行 1000 次计算基测量，理论上约 854 次得到 0、146 次得到 1（示例为理想无噪声假设下的期望值）。这个统计过程正是量子层与经典层之间的接口：量子层输出的是采样结果或由其估计的期望值，经典层再据此计算损失。
多量子比特系统用张量积描述。n 个量子比特的状态空间维度为 2ⁿ，两个量子比特的基态为 |00⟩、|01⟩、|10⟩、|11⟩。这种指数级增长既是量子计算潜力的来源，也意味着经典模拟的代价随比特数迅速上升。在混合网络中，量子层通常只使用少量量子比特（如 4～12 个）配合多次线路执行，以在当前硬件条件下获得可用的统计精度。
量子门：量子层中的参数化变换
量子门是作用在量子态上的酉变换。混合网络中最常用的是单比特旋转门和两比特纠缠门。以绕 Y 轴的旋转为例：
R_y(θ) = [[cos(θ/2), -sin(θ/2)],
[sin(θ/2), cos(θ/2)]]当 θ 作为可训练参数时，R_y(θ) 就把经典优化器与量子线路连接起来。两比特门如 CNOT 用于产生纠缠，使量子层能够表达比特之间的关联特征。一个典型的量子层结构是：先对每个量子比特施加 R_y 或 R_z 旋转完成数据编码，再用 CNOT 链或环形连接引入纠缠，最后再次施加旋转门。这种“编码—纠缠—旋转”的重复结构就是常说的硬件高效拟设（hardware-efficient ansatz）。
需要强调的是，量子门必须保持状态归一化，因此所有可执行的门都是酉矩阵。数据编码时，经典特征 x 通常被映射为旋转角，例如 θ = x 或 θ = arctan(x)，具体映射方式会影响量子层对输入分布的敏感度。在混合网络中，编码方式与拟设结构共同决定了量子层的表达能力，也是调参时需要重点审视的设计选择。
测量与期望值估计
测量是把量子态投影到某个基上并获得经典结果的过程。若在计算基下测量，得到 0 或 1 的概率分别为 |α|² 和 |β|²。单次测量只能给出一个比特值，因此实际中需要重复执行线路多次（shots），用频率估计概率。例如设置 shots=1024，统计比特串 |0⟩ 的出现次数，即可估计 p(0)。
混合网络更常使用期望值作为量子层的输出。对可观测量 Z（泡利 Z 矩阵），其期望值为 ⟨Z⟩ = p(0) − p(1)。若测量得到 0 的次数为 n₀、1 的次数为 n₁，则估计值为 (n₀ − n₁)/(n₀ + n₁)。这个数值落在 [−1, 1] 区间，可直接送入经典层的线性组合或激活函数。对于多比特系统，可观测量可以是单个 Z、Z⊗Z 或更一般的泡利串，期望值估计则通过对相应基下的测量结果做符号统计得到。
期望值估计的统计误差约为 1/√shots。若希望把误差控制在 0.01 量级，shots 需要达到约 10⁴ 次。这直接影响训练成本：每次参数更新都可能需要多次线路执行，因此混合网络训练中常在精度与开销之间做权衡，例如在早期训练使用较少 shots，在收敛阶段提高采样数。
量子层在混合网络中的数据表示
把上述概念串起来，量子层在混合网络中的角色可以概括为：接收经典特征向量，通过编码门映射为量子态，经参数化拟设变换后，对指定可观测量做多次测量并估计期望值，输出一个经典数值向量。这个向量随后进入经典网络或损失函数。反向传播时，参数梯度通常通过参数移位规则（parameter-shift rule）估计：对旋转角参数 θ，梯度可由 (⟨O⟩(θ+π/2) − ⟨O⟩(θ−π/2))/2 得到，每次梯度计算需要额外两次线路执行。
上图把量子层的数据表示与处理链放在同一视图中：左侧是经典特征的编码，中部是参数化拟设，右侧是测量与期望值估计，下方则标出梯度估计与关键权衡。实际实现时，一个常见的教学示例配置是 4 个量子比特、拟设重复 2 层、每轮估计使用 1024 次 shots。假设某次执行统计得到 n₀ = 530、n₁ = 494，则 ⟨Z⟩ ≈ (530 − 494)/1024 ≈ 0.035；若另一组参数下得到 n₀ = 700、n₁ = 324，则 ⟨Z⟩ ≈ 0.367。这些数值仅用于说明计算方式，并非真实硬件实测结果。
在工程实践中，还需要注意几个与量子层直接相关的问题。第一，测量基的选择必须与可观测量匹配：估计 ⟨X⟩ 需要在 X 基下测量，通常通过在原线路末端加 H 门再按计算基测量实现。第二，噪声会使期望值向 0 收缩，因此常配合读出误差缓解或零噪声外推使用。第三，编码方式与拟设结构应保持参数规模可控，避免在少量量子比特上堆叠过多层而导致训练不稳定。把这些基础概念落实到量子层的具体设计上，才能为后续的混合训练流水线打下可靠基础。