3. 量子数据表示与编码方式对数据集设计的影响

在经典机器学习中，数据集设计主要关心样本数量、特征维度、标签质量和分布覆盖。到了量子机器学习，数据必须先被“翻译”成量子态，这一步由数据编码完成。编码方式不是无关紧要的实现细节，它直接决定了数据在希尔伯特空间中的几何形态、制备电路需要多深、以及不同模型之间能否被公平比较。同一个经典数据集，用不同编码送入量子线路，可能得到完全不同的可学习结构和基准结论。因此，设计基准数据集时，必须把编码方案作为数据集规格的一部分明确固定下来。

四类主流编码的构造与特性

基态编码把每个经典比特直接映射到一个量子比特的计算基态，例如经典向量 (1,0,1) 映射为 |101⟩。它的制备只需对取值为 1 的比特施加 X 门，电路深度为 O(1)，几乎不引入额外误差。代价是表达能力极其有限：n 个量子比特只能表示 2ⁿ 个离散基态中的一个，无法承载连续特征，也无法产生叠加与纠缠。它适合编码离散标签、组合优化中的选择变量或作为对照基线，但不适合连续型特征数据集。

振幅编码把长度为 2ⁿ 的归一化经典向量直接放入量子态的振幅中，|x⟩ = Σᵢ xᵢ|i⟩。它的存储效率最高：n 个量子比特承载 2ⁿ 个特征。但制备任意振幅态一般需要 O(2ⁿ) 量级的门操作，或依赖 QRAM 等特殊硬件假设。在基准设计中，这意味着“数据加载成本”可能吞掉算法本身的优势，必须在数据集元数据中记录是否假设了高效态制备。

角度编码把每个特征映射为一个旋转角，常用形式是对每个量子比特施加 RY(θᵢ)，其中 θᵢ = arctan(xᵢ) 或直接取归一化后的特征值。它的电路深度为 O(n)，实现简单、硬件友好，是当前实验中最常用的方案。但角度编码的每个量子比特只承载一个特征，特征间关系需要靠后续纠缠层建立，且周期性（θ 与 θ+2π 等价）会带来特征混叠，设计数据集时需注意特征取值范围。

数据重上传则把编码层与可训练层交替堆叠，同一份数据被多次“上传”到线路中：U(x) = Πₖ Wₖ(θₖ) · S(x)。这种结构能显著提升线路对输入的函数表达能力，已被证明可用较少量子比特拟合复杂函数。代价是电路深度随上传次数线性增长，在含噪设备上误差累积更明显。

编码如何改变数据分布与可分性

编码本质上是一个非线性映射，它会把经典空间中的几何关系重新塑形。以二维两类数据为例：若两类点在一个圆环内外分布，经典空间里线性不可分。采用角度编码时，两个特征分别进入两个量子比特的旋转角，线路输出的是量子态在测量基下的期望值，两类样本在特征映射后的可分性取决于纠缠层结构；而采用振幅编码时，两个特征被压缩进单个量子比特的振幅，样本间的内积直接对应态重叠，核函数的形态完全不同。这意味着：同一数据集在不同编码下，其“难度”会发生变化。基准设计若不声明编码，报告的准确率就失去了可比性。

更隐蔽的问题是归一化。振幅编码要求输入向量模长为 1，角度编码常把特征缩放到 [0, π] 或 [-π/2, π/2]，基态编码则要求二值化。这些预处理会改变样本间距和类别边界。建议在数据集说明中固定写出：特征缩放公式、是否中心化、异常值截断阈值。例如对角度编码可约定 θᵢ = π·(xᵢ − x_min)/(x_max − x_min)，使所有特征落在同一周期区间内，避免不同特征因量纲差异被编码到差异过大的角度上。

电路深度与噪声预算的权衡

编码深度必须计入基准的总资源开销。一个常见的错误是只统计可训练线路的门数，却忽略态制备。假设目标硬件在给定噪声水平下可容忍约 200 个双量子比特门，若振幅编码制备 8 个特征需要约 2⁸ 量级的受控旋转，制备阶段就可能耗尽预算，留给可训练层和纠缠层的空间所剩无几。此时基准结果反映的主要是噪声而非算法能力。设计数据集时应给出一个“编码深度占比”指标：

编码深度占比 = 态制备线路深度 / (态制备深度 + 可训练线路深度)

示例（合理假设，非实测）：
  角度编码，8 特征：制备深度 ≈ 8，可训练深度 ≈ 40，占比 ≈ 0.17
  振幅编码，8 特征：制备深度 ≈ 120，可训练深度 ≈ 40，占比 ≈ 0.75
  重上传 k=3：制备与训练交织，总深度 ≈ 3×(8+40) = 144

占比过高意味着基准更偏向测试态制备而非学习能力，应在结果表中单独标注，供读者判断结论的适用范围。

基准公平性的控制变量

要让不同编码方案可比较，至少需要控制三组变量：其一，量子比特数相同，否则表达能力差异会被误读为编码优劣；其二，可训练参数数量相近，避免参数多的模型单纯靠容量取胜；其三，测量次数与优化迭代预算一致，因为角度编码与重上传的收敛速度不同，预算不等会扭曲结论。若确实需要比较编码本身的影响，推荐做法是固定模型结构，仅替换编码层，并在同一随机种子集合上重复多次，报告均值与方差，而不是单次最优结果。

落到数据集规格上的具体做法

综合以上分析，一个面向量子机器学习的基准数据集，除常规的样本、标签、划分外，还应包含编码规格字段：编码类型、特征到角度的映射公式、归一化区间、态制备所假设的硬件能力（是否依赖 QRAM）、编码深度估计值、以及该编码下推荐的量子比特数。对于数据重上传类数据集，还需记录上传次数 k 与编码层、训练层的交替顺序。把这些信息与数据一起发布，才能让不同研究组的基准结果真正可复现、可比较。编码不是数据进入量子线路前的临时转换，而是数据集定义的一部分。