📚 课程目录第4章量子机器学习问题建模

4. 量子机器学习问题建模

量子机器学习（QML）的起点并不是写量子程序，而是把已有的经典机器学习任务“翻译”成量子线路能够表达和求解的形式。这个翻译过程称为问题建模，它决定了后续能否用有限的量子比特和门操作，去逼近原本在经典计算机上定义的目标。本节围绕三个核心环节展开：任务形式化、数据编码、量子态与测量输出，并给出一个可操作的建模示例。

一、从经典任务到量子可计算形式

经典机器学习任务通常可以写成“输入特征 x、参数 θ、输出预测 y”的映射问题。例如二分类任务中，给定样本 x∈R^d，模型 f(x;θ) 输出标签 0 或 1。量子建模的第一步，是把这种映射拆成量子线路能承担的部分：

输入层：把经典数据 x 编码为量子态 |ψ(x)⟩，这是数据编码问题；
处理层：用含参数 θ 的量子门构成线路 U(θ)，对 |ψ(x)⟩ 进行变换；
输出层：对末态进行测量，把测量结果的统计量（如期望值）映射回经典预测值。

因此，一个 QML 模型可以抽象为 y = g(⟨ψ(x)|U†(θ) M U(θ)|ψ(x)⟩)，其中 M 是测量算符，g 是经典后处理函数。这个式子说明：量子线路负责在指数级大的希尔伯特空间中完成特征变换，经典部分负责读取和解释结果。建模的关键，是让 U(θ) 的结构与任务的数据分布相匹配，而不是盲目堆叠量子门。

二、数据编码：把经典向量放进量子态

数据编码是建模中最容易被低估的环节。n 个量子比特的态空间维度为 2^n，但经典数据维度 d 与 n 并不天然对应。常见编码方式有三类：

角度编码是最直观的一种。对每个特征 x_i，用一个旋转门 RY(x_i) 作用在对应量子比特上，初态为 |0⟩，则单比特态为 cos(x_i/2)|0⟩+sin(x_i/2)|1⟩。若 d 个特征对应 d 个量子比特，编码线路只需 d 个旋转门，深度为 1。它的优点是实现简单、参数少；缺点是每个特征只影响一个比特的局部相位，表达能力有限。

振幅编码把归一化后的经典向量直接映射为量子态的振幅：|ψ(x)⟩ = Σ x_i|i⟩ / ||x||。这种编码在信息密度上最优，n 个比特可承载 2^n 个特征，但制备该态通常需要复杂的线路，深度可能达到 O(2^n)，在近期设备上代价很高。

IQP 编码（Instantaneous Quantum Polynomial）则通过 Hadamard 门与对角相位门组合，把特征嵌入到多比特关联相位中，常用于量子核方法。它的线路深度与特征交互阶数相关，适合表达特征间的乘积关系。

选择编码方式时，应优先考虑任务是否需要特征交互、当前硬件的连通性与门深度限制，以及编码后线路是否可训练。编码不是越复杂越好，而是要与后续处理层的表达能力匹配。

三、量子态表示与测量输出

编码完成后，量子态 |ψ(x)⟩ 是一个 2^n 维复向量，其全局相位不可观测，只有相对相位和振幅分布携带信息。处理层 U(θ) 通常由单比特旋转门和双比特纠缠门交替构成，例如硬件高效拟设（Hardware-Efficient Ansatz）：每层包含 RY、RZ 旋转和 CNOT 环形连接。参数 θ 的维度等于旋转门数量，训练时通过经典优化器更新。

测量阶段需要把量子态转成经典数值。二分类任务常用单比特 Z 期望值：⟨Z⟩ = P(0) - P(1)，取值范围 [-1,1]，再通过阈值 0 映射为标签。多分类任务可对多个比特测量，得到比特串概率分布，取概率最大的类别。回归任务则可用多个期望值加权组合。测量需要重复采样（shots），例如 1024 次，用频率估计概率，因此输出带有统计噪声，建模时要预留采样预算。

四、一个可操作的建模示例

假设我们要用 4 个量子比特完成一个二维二分类任务，样本特征为 (x₁, x₂)，标签 y∈{0,1}。建模步骤如下：

编码：采用角度编码，将 x₁ 编码到 q0 的 RY(x₁)，x₂ 编码到 q1 的 RY(x₂)，q2、q3 保持 |0⟩ 作为辅助比特。初态为 |0000⟩。
处理层：设计两层硬件高效拟设。每层对 q0–q3 施加 RY(θ) 和 RZ(θ)，再用 CNOT 按环形连接 (0→1, 1→2, 2→3, 3→0) 引入纠缠。两层共 16 个旋转参数。
测量：对 q0 测量 Z 期望值，得到 ⟨Z⟩∈[-1,1]。若 ⟨Z⟩>0 预测为类 0，否则为类 1。
训练：用 200 个带标签样本，损失函数取均方误差 L = (⟨Z⟩ − y')²，其中 y' 将标签 0/1 映射为 +1/−1。梯度用参数移位规则：对每个 θ_i，计算 L(θ_i+π/2) 与 L(θ_i−π/2) 的差除以 2。学习率取 0.1，迭代 100 步。

在这个示例中，编码线路深度为 1，处理层深度约为 8（含纠缠），测量只需 1 个比特。若在模拟器上运行，可观察到损失从初始约 0.5 逐步下降到 0.1 以下；若在真实硬件上运行，由于采样噪声和退相干，损失曲线会出现波动，此时应增加 shots 或降低线路深度。判断建模是否成功的依据不是损失是否降到零，而是验证集准确率是否稳定高于随机猜测（二分类为 50%），且训练过程没有出现梯度消失或参数陷入平台。

五、建模时的常见陷阱

第一，编码与处理层不匹配。若编码只产生局部相位，而处理层缺乏纠缠门，模型表达能力会严重不足，表现为训练损失居高不下。第二，测量算符选择不当。例如多分类任务只测一个比特，会丢失其他类别的信息，应改为测量多个比特的联合分布。第三，忽视采样成本。每次参数更新都需要重新采样，shots 越大梯度估计越准，但训练时间线性增长，建模时应把采样预算纳入设计。第四，把全局相位当作信息。量子态的全局相位不可观测，建模时不应依赖它来区分样本。

问题建模阶段就应明确“输入如何编码、线路如何参数化、输出如何测量”三件事，并保证三者在维度与语义上一致。若等到训练阶段才发现输出维度与标签不匹配，往往需要重构整个线路，代价很高。

总结来说，将经典机器学习任务映射为量子线路，本质是完成一次“表示转换”：用编码把数据放进量子态，用参数化线路在希尔伯特空间中完成特征变换，用测量把量子信息读回经典世界。建模的质量取决于编码方式、线路结构与测量策略是否与任务匹配，而不是量子比特数量或门数量的简单堆叠。掌握这一映射关系，后续的线路设计、训练与硬件部署才有可靠的起点。