4. 量子核方法与异常评分构建

在异常检测中，真正决定模型上限的往往不是分类器本身，而是“样本之间如何度量相似”。量子核方法的核心思路，是把经典数据映射到量子态所张成的高维希尔伯特空间，在该空间中计算内积作为核值，再借助核密度估计等无监督手段把“相似度”转化为“异常分数”。本节围绕量子核函数、量子特征映射与核密度估计三件事展开，并与经典核方法做对照，最后给出量子优势成立的条件。

一、量子特征映射：把数据变成量子态

量子特征映射（quantum feature map）是一个把经典向量 x 编码为量子态 |φ(x)⟩ 的参数化线路。最常用的是角度编码：对归一化后的特征 x_i ∈ [0, π]，在 n 个量子比特上施加单比特旋转与纠缠层，得到

|φ(x)⟩ = U(x)|0⟩^⊗n,  U(x) = ∏_l ( W_l · R_z(x) · R_y(x) )

其中 R_y、R_z 的旋转角由特征分量给出，W_l 为固定的纠缠层（如 CNOT 环）。映射的“表达力”由线路深度与纠缠结构决定：浅层线路对应低阶多项式特征，深层纠缠线路可逼近更复杂的非线性边界。工程上要特别注意两点：一是特征需先做 min-max 归一化并缩放到 [0, π]，否则旋转角周期性会导致远距离样本被错误地映射到相近状态；二是比特数 n 与特征维数 d 的关系要明确，常见做法是 n = ⌈log₂ d⌉ 后做特征压缩，或采用数据重上传（data re-uploading）逐层注入不同特征。

二、量子核函数：从态内积到核矩阵

量子核定义为两个量子态内积的模平方：

K(x, x') = |⟨φ(x)|φ(x')⟩|²

它天然是半正定的，因此可直接作为核矩阵使用。实际计算并不需要显式写出量子态，而是用“交换测试”（swap test）或“逆线路估计”来求内积：把 |φ(x)⟩ 与 |φ(x')⟩ 送入辅助比特控制的交换门，测量辅助比特处于 |0⟩ 的概率 P₀，则 |⟨φ(x)|φ(x')⟩|² = 2P₀ − 1。对 N 个训练样本，需要估计 N(N−1)/2 个核值，这是量子核方法最主要的开销来源，也是后文讨论优势条件的关键。

三、核密度估计与异常评分

得到核矩阵后，用无监督核密度估计把密度转为异常分数。对测试样本 x，其密度估计为

p(x) = (1/N) Σᵢ K(x, xᵢ)
score(x) = −log p(x)   （或 1 − p(x)）

密度越低，异常分数越高。这里有一个容易被忽略的细节：量子核 K 的取值天然落在 [0,1]，因此 p(x) 也在 [0,1] 内，无需额外归一化；但若使用带宽参数 h 的高斯型量子核变体，则需保证 h 与旋转角尺度匹配。实操中建议先在一批已知正常样本上计算 p(x) 的分布，取 95% 或 99% 分位数作为阈值，再对测试集判定。示例（合理假设）：某 8 维传感器数据取 N=200 正常样本，量子核 KDE 得到正常样本 p 的中位数约 0.62、5% 分位约 0.31，则阈值可设为 p < 0.31 判为异常，对应分数 −log p > 1.17。

四、与经典核方法的对比及量子优势条件

经典 RBF 核在原始维度上计算距离，复杂度约 O(N²d)，可解释、易调参、工程成熟；量子核则把相似度定义在指数级维度的希尔伯特空间中，理论上能表达经典核难以刻画的高阶关联。但“理论表达力”不等于“实际优势”，量子核方法要真正胜出，通常需同时满足以下条件：

• 映射难经典模拟：特征映射线路的纠缠结构使核函数无法被经典多项式时间近似，否则经典核可直接替代。
• 采样代价可接受：每个核值需多次测量（shots）才能把统计误差压到可用水平，N 过大时 O(N²) 次估计会抵消量子优势，故适合中等规模数据集。
• 数据本身具有量子友好结构：如高维、强非线性关联、经典核在验证集上已出现明显瓶颈。
• 噪声与退相干可控：当前含噪设备上，深线路的核值估计偏差会直接污染密度估计，需用误差缓解或浅层重上传线路。

综上，量子核方法的价值在于提供一种“经典难以复现的相似度度量”，而异常评分只是其下游应用。构建时应把注意力放在特征映射是否与数据分布匹配、核矩阵估计误差是否可控、阈值是否在正常样本上稳定这三件事上；只有这些前提成立，量子优势才可能从理论走进实际检测效果。