4. 混合网络的前向传播实现

混合量子经典网络的前向传播，本质上是把一次经典张量计算与一次量子线路执行拼接成一条可微（或可近似求导）的链路。与纯经典网络不同，这条链路里存在一个“经典数值 → 量子门角度 → 量子测量期望值 → 经典数值”的转换环节，它决定了数据如何进入量子态、参数如何影响输出，也决定了反向传播时梯度从哪里来。本节围绕这条链路，从经典预处理一路走到经典后处理，给出可直接落地的实现思路与示例参数。

一、链路全景与张量形状约定

先明确本节采用的约定，后续正文与图示保持一致：输入样本为长度为 d 的实向量，经典预处理把它压缩为 n 个特征（n 等于量子比特数），每个特征经缩放后作为对应量子比特的旋转角；量子线路采用“数据编码层 + L 层可训练强纠缠层”的结构；测量取每个量子比特的 Pauli-Z 期望值，得到长度 n 的实向量；经典后处理把它映射为任务输出。以二分类为例，输出为单个标量 logit，经 sigmoid 得到概率。

二、经典预处理：把原始特征变成可编码的角度

量子线路能接受的输入是门参数，因此预处理的核心任务是把任意实数特征映射到有界角度区间。常见做法是：先对原始特征做标准化（零均值、单位方差），再用一个线性层把维度从 d 降到 n，最后用 tanh 压缩到 (-1, 1) 并乘以 π/2，得到每个比特的编码角 θ_i ∈ (-π/2, π/2)。选择 π/2 而非 π 是为了让编码角避开 RY 在 π 附近对输入不敏感的区域，同时保留足够的表达范围。

示例参数：设 d=8、n=4，线性层权重 W_e 形状为 4×8，偏置 b_e 为长度 4 的向量。若某样本标准化后为 [0.5, -1.2, 0.3, 0.8, -0.4, 1.1, -0.9, 0.2]，经线性层与 tanh 后得到 [0.42, -0.31, 0.67, 0.05]，乘以 π/2 后编码角约为 [0.66, -0.49, 1.05, 0.08] 弧度。这一步的权重 W_e 既可以固定（如用 PCA 初始化），也可以作为可训练参数参与优化，前者更稳定、后者更灵活，实践中常先固定、待量子层收敛后再解冻微调。

三、量子态制备与参数化演化

态制备从 |0⟩^⊗n 出发，对第 i 个比特施加 RY(θ_i)，得到各比特的独立叠加态。若数据本身存在强相关结构，可在编码后追加一层固定的 CNOT 链，把特征间的相关性“写入”纠缠结构，但要注意这会增加线路深度，在含噪声设备上需权衡。

参数化层是网络真正“学习”的部分。以 L=2 层、n=4 比特为例，每层包含：每个比特一个 RY(φ) 和一个 RZ(φ)，随后是环形 CNOT（0→1、1→2、2→3、3→0）。这样每层可训练参数为 2n=8 个，两层共 16 个，加上编码层若可训练则再加 4 个。环形 CNOT 保证任意两个比特间存在纠缠路径，同时深度仅为 n，适合当前中等规模设备。实现时建议用参数化电路框架（如 Qiskit 的 TwoLocal 或 PennyLane 的 StronglyEntanglingLayers）声明结构，避免手工拼接门序列出错。

# 伪代码：一次前向的量子部分（PennyLane 风格）
dev = qml.device("default.qubit", wires=4, shots=1024)

@qml.qnode(dev)
def quantum_forward(theta, phi):
    # 态制备：逐比特 RY 编码
    for i in range(4):
        qml.RY(theta[i], wires=i)
    # 参数化演化：2 层强纠缠块
    for l in range(2):
        for i in range(4):
            qml.RY(phi[l, i, 0], wires=i)
            qml.RZ(phi[l, i, 1], wires=i)
        for i in range(4):
            qml.CNOT(wires=[i, (i + 1) % 4])
    # 测量：每比特 Pauli-Z 期望
    return [qml.expval(qml.PauliZ(i)) for i in range(4)]

四、测量输出与经典后处理

测量环节有两个关键选择：测什么、怎么估。测 Pauli-Z 期望值得到 [-1, 1] 区间的连续量，适合作为可微链路的中间表示；若用 shots 采样估计，则期望值带有统计噪声，噪声随 1/√shots 衰减。示例中 shots=1024，单比特期望的标准误约为 1/√1024 ≈ 0.03，对多数分类任务可接受；若后处理层对噪声敏感，可提高到 4096 或改用解析期望（模拟器场景）。

后处理把 n 维期望向量映射为任务输出。二分类时用 logit = w·⟨Z⟩ + b，再经 sigmoid 得概率；多分类时用 softmax(W·⟨Z⟩ + b)。这里的 W、b 是纯经典可训练参数，与量子参数 φ 一起构成完整参数集。一个值得注意的细节是：⟨Z⟩ 的取值范围天然有界，后处理层的初始化尺度应相应缩小（如 W 用 1/√n 缩放的高斯初始化），否则初始 logit 过大、sigmoid 饱和，梯度会很小。

五、结果观察与链路自检

前向链路写完后，不要急着训练，先做三项自检。第一，形状自检：输入 (batch, d) → 编码角 (batch, n) → 期望值 (batch, n) → 输出 (batch, 1)，任何一步维度对不上都说明拼接有误。第二，数值范围自检：编码角应落在 (-π/2, π/2)，期望值应落在 [-1, 1]，概率应落在 (0, 1)，越界通常意味着缩放系数或激活函数用错。第三，敏感性自检：固定输入，把某个量子参数 φ 增加 0.1，观察输出是否发生可测量的变化；若几乎不变，可能是该参数所在的门被后续操作抵消，或测量基选择不当导致信息丢失。

完成以上步骤后，一条完整的前向链路就建立起来了：经典预处理负责“把数据变成角度”，态制备与参数化演化负责“把角度变成量子态并施加可训练变换”，测量负责“把量子态变成经典可读的期望值”，后处理负责“把期望值变成任务输出”。这条链路的每一段都有明确的输入输出契约，后续实现反向传播时，只需在量子段使用参数移位规则、在经典段使用标准链式法则，即可把梯度从输出端一路回传到编码层与后处理层。