3. 经典神经网络与量子层的接口设计

在混合量子经典网络中，经典神经网络与量子电路并不是简单拼接，而是通过一个可微的数据接口耦合在一起。这个接口承担两件事：把经典张量编码成量子电路能接受的参数或态准备指令，以及把量子测量得到的统计量解码回经典张量，并保证梯度能从经典侧一路回传到量子门参数。接口设计得好不好，直接决定训练能否收敛、梯度是否稳定。

编码：经典输入如何进入量子电路

经典数据进入量子层有两条常见路径。第一条是数据编码：把经典特征映射为量子态的制备角度，例如用角度编码把特征 x_i 写成旋转门参数 RY(x_i)，作用在初始态 |0…0⟩ 上。第二条是参数注入：经典网络输出的向量作为变分量子电路（VQA）的可训练门角度。两者在实现上都是“经典标量 → 量子门参数”，但语义不同：前者承载输入信息，后者承载可学习权重。

以 4 维输入、4 量子比特为例，一种直接的角度编码是：

for i in range(4):
    qc.ry(x[i], i)          # 数据编码层
for l in range(L):
    for i in range(4):
        qc.rx(theta[l][i], i)   # 变分层
    qc.cx(0,1); qc.cx(1,2); qc.cx(2,3)

这里 x 是经典侧的输出张量，theta 是可训练参数。编码方式的选择有实际影响：角度编码简单、梯度性质好，但表达力受限于单比特旋转；振幅编码能把 2^n 个特征压进 n 个量子比特，但态准备电路深、对噪声敏感。工程上通常优先角度编码，只有在特征维度远大于量子比特数时才考虑振幅编码或数据重上传（data re-uploading）结构。

一个容易被忽略的细节是输入归一化。旋转角是周期量，特征值超过 2π 会产生混叠，导致不同输入映射到相近的量子态。实践中的做法是把特征缩放到 [-π, π] 或 [0, π] 区间，并在经典侧固定这一预处理，使编码层成为整个可微链路中确定的一环。

解码：测量结果如何变回经典张量

量子电路不能直接输出连续向量，只能通过测量得到比特串的统计分布。解码就是把测量结果转成经典网络可用的张量。最常用的是期望值解码：对每个量子比特测量 Pauli-Z，得到 ⟨Z_i⟩ = P(0) − P(1)，取值范围 [-1, 1]。若需要概率语义，则用 P(0) 或 softmax 化的测量频率。

期望值解码的估计依赖采样次数 shots。设 shots = 1024，某比特测得 0 的次数为 610，则 ⟨Z⟩ ≈ (610 − 414)/1024 ≈ 0.191。shots 越大估计越准，但每次前向的电路执行开销也越大。训练早期可用较小 shots（如 256）加快迭代，收敛阶段再提高，这是接口层可以暴露的一个可调参数。

解码后的向量通常还要经过一个经典线性层或激活函数，才能与下游任务对齐。例如分类任务中，把 n 个期望值送入一个 Linear(n, num_classes) 再接 softmax；回归任务则直接线性映射到目标维度。这个“测量 → 经典后处理”的部分必须保持可微，否则梯度会在接口处断裂。

可微分接口的关键约束

要让整条链路可训练，接口必须满足三点。第一，前向可计算：编码、电路执行、测量统计、经典后处理构成确定的数据流。第二，反向可传梯度：量子门参数处的梯度通常用参数移位规则（parameter-shift rule）估计，对形如 exp(−iθP/2) 的门，∂⟨O⟩/∂θ = [⟨O⟩(θ+π/2) − ⟨O⟩(θ−π/2)]/2，因此每个参数需要两次额外电路执行；数据编码处的梯度若也需要训练（如可学习编码），同样走这条路径。第三，接口张量形状一致：经典侧输出的维度必须等于编码层期望的输入维度，测量解码的输出维度必须等于下游经典层期望的输入维度，形状错配是这类流水线最常见的报错来源。

上图把接口拆成“经典前端 → 编码 → 变分电路 → 测量 → 解码后处理 → 经典输出”的前向链，以及沿虚线回传的反向梯度路径。可以看到，编码层和解码层是两个语义转换点，也是形状与可微性最容易出问题的地方。

一个可运行的接口骨架

下面用 PyTorch 与 PennyLane 风格的伪代码给出接口骨架，重点在形状对齐与梯度连通：

class HybridInterface(nn.Module):
    def __init__(self, in_dim, n_qubits, n_layers, n_out):
        super().__init__()
        self.enc = nn.Linear(in_dim, n_qubits)   # 经典→编码角度
        self.qnode = make_qnode(n_qubits, n_layers)  # 含 theta 参数
        self.head = nn.Linear(n_qubits, n_out)   # 解码后处理

    def forward(self, x):
        a = torch.tanh(self.enc(x)) * math.pi    # 缩放到 [-π, π]
        z = self.qnode(a, self.theta)            # 返回 ⟨Z⟩ 向量
        return self.head(z)

这里 tanh 乘 π 保证编码角落在安全区间，qnode 内部对每个参数使用 parameter-shift 求梯度，head 是普通线性层。训练时用常规优化器即可，但要注意量子部分的梯度是估计值，学习率通常比纯经典网络小一个量级，例如 0.01～0.05。

接口设计中的常见判断

实际调试时，有几个信号值得观察。若损失长期不降且梯度接近零，先检查编码角是否超出范围导致量子态饱和；若梯度方差很大、训练抖动，多半是 shots 太小，可提高到 2048 或 4096 再观察；若前向正常但反向报形状错误，检查 qnode 返回的是标量还是向量、head 的输入维度是否与量子比特数一致。把这三类现象与接口层的三个约束对应起来，排障就有明确方向。