2. 量子机器学习任务全景与数据集需求分析
量子机器学习并不是单一算法，而是一组目标不同、输出形态不同、对数据要求也截然不同的任务集合。设计基准数据集之前，必须先回答一个前置问题：这份数据要喂给哪一类任务？分类任务关心类别边界与标签均衡，回归任务关心连续目标值的分布与精度尺度，生成任务关心样本所服从的分布本身，优化任务关心的则是目标函数与约束的结构而非"样本—标签"对。若用同一套数据规范套用所有任务，基准就会失去区分度。本节按任务类型逐一梳理其数据需求，并给出可操作的规模、结构、噪声与标签设计要点。
四类典型任务的数据画像
分类任务是当前量子机器学习基准中最常见的一类，典型场景包括量子态判别（如区分纠缠态与可分态）、量子相识别（如横场Ising模型中的铁磁相与顺磁相）、以及基于量子特征映射的经典数据二分类。其数据需求的核心是类别可分性与标签质量：样本需以量子态（态矢量或密度矩阵）或编码后的特征向量形式给出，标签为离散类别。规模上，由于含噪中等规模量子（NISQ）设备可用比特数有限，基准通常控制在4～12个量子比特、每类200～1000个样本，并保证类别均衡。噪声方面，分类任务对标签翻转噪声极为敏感，需在数据集中显式记录标签噪声率；同时应区分"数据本身含噪"（如真实量子设备采样的态）与"标签错误"两类不同来源。
回归任务的目标是预测连续量，例如估计量子态的保真度、预测分子基态能量、或拟合量子通道的参数。与分类不同，回归数据集的标签是实数，其数值尺度与精度要求直接决定模型评价方式。设计时需明确目标值的物理量纲与有效位数，避免不同量纲目标混在同一基准中；样本量通常需比分类更大（每任务500～2000条）以覆盖连续输出空间。噪声设计上，除输入噪声外还应考虑目标值本身的测量误差——例如能量估计的统计误差，这类误差应在数据集中以"目标值±不确定度"的形式保留，而非简单取均值。
生成任务要求模型学习并重现某个量子态或量子通道的分布，典型如生成目标哈密顿量的基态、学习量子电路的输出分布。此类任务的数据需求最为特殊：它不依赖"样本—标签"对，而是需要目标分布的可验证描述。基准数据集应提供目标态的精确描述（小规模下可用态矢量）、采样得到的测量结果集合，以及用于评价的保真度或总变差距离参考值。规模上受态矢量指数增长限制，通常限制在6～10比特；噪声方面需明确采样次数（shots）与测量基，因为生成质量评价高度依赖测量配置。
优化任务的数据形态与前两者差异最大。以量子近似优化算法（QAOA）为代表的组合优化任务，其"数据"是问题实例本身：目标函数系数、约束条件、图结构（如MaxCut的邻接矩阵）。标签并不存在，评价依据是近似比或相对最优解的差距。因此基准数据集应包含问题实例族（如不同规模、不同连通度的随机图）、已知最优解或紧致下界，以及实例生成种子以保证可复现。规模上需覆盖从小规模可精确求解到中等规模只能近似评价的梯度。
规模、结构与噪声的联合约束
四类任务共享一组底层约束，但权重不同。首先是规模约束：量子态空间随比特数指数增长，8比特态矢量已有256个复振幅，12比特则达4096维，这决定了"可精确验证"的基准上限。设计时应采用分层规模策略——小规模（4～6比特）提供精确参考解用于正确性验证，中规模（8～12比特）用于性能对比，大规模仅在有可信近似评价手段时引入。
其次是结构约束。数据是否具有可利用的对称性、稀疏性或低秩结构，直接影响量子编码方案的选择。例如具有平移对称性的自旋链基态可用更紧凑的编码，而随机图实例则无此便利。基准数据集应显式标注结构属性，使不同方法在同一结构假设下比较。
最后是噪声约束。NISQ 基准必须区分三种噪声：设备噪声（门错误率、退相干）、采样噪声（有限 shots 的统计涨落）、数据噪声（标签或目标值本身的误差）。三者对任务的影响机制不同，混为一谈会使基准结论无法归因。建议在数据集中以元数据字段分别记录，例如 gate_error_rate、shots、label_noise_rate。
可执行的基准数据规范示例
下面给出一份可直接参考的元数据规范，用于描述单个基准数据集条目。字段按任务类型条件必填，避免无关字段污染规范。
dataset_id: qml-bench-cls-ising-8q-v1
task_type: classification # classification | regression | generation | optimization
n_qubits: 8
n_samples: 1600
class_balance: {ferro: 800, para: 800}
input_form: statevector # statevector | density_matrix | feature_vector | graph
label_form: discrete # discrete | continuous | distribution | none
shots: 4096 # 生成/采样类任务必填
gate_error_rate: 1e-3 # 设备噪声元数据
label_noise_rate: 0.02 # 分类任务必填
target_uncertainty: null # 回归任务填目标值不确定度
instance_seed: null # 优化任务填实例生成种子
reference_solution: exact_diag # 精确对角化 / 已知最优解 / 下界
split: {train: 1000, val: 300, test: 300}
使用该规范时，一个常见误区是把分类任务的 shots 与生成任务的 shots 等同处理。前者描述的是输入态制备时的采样次数，后者描述的是评价生成分布时的测量次数，二者语义不同，应在文档中分别说明。另一个误区是忽略 split 的划分依据——若训练集与测试集来自同一批量子态的不同采样，则存在信息泄漏，基准分数会虚高。正确做法是按"态实例"而非"采样记录"划分，确保同一底层态不跨集合出现。
综上，量子机器学习基准数据集的设计不是"收集数据"的单点动作，而是由任务类型出发、经标签形态、规模结构、噪声记录直至评价指标的一条完整决策链。分类重标签均衡与可分性，回归重量纲与目标不确定度，生成重分布描述与测量配置，优化重实例族与参考解。只有让每一类任务的数据规范与其评价逻辑严格对齐，基准才具备可复现、可比较、可归因的工程价值。