2. 量子机器学习模型回顾

在讨论过拟合之前，有必要先把量子机器学习中最常用的三类模型放在同一张“结构地图”上。因为过拟合诊断的核心问题，往往不是训练算法本身，而是模型复杂度从哪里来、以什么形式进入模型。参数化量子电路（PQC）、量子核方法（Quantum Kernel Method）和量子神经网络（QNN）在结构上差异明显，其复杂度来源也各不相同：PQC 的复杂度主要来自可训练门数量与纠缠结构，量子核方法的复杂度主要来自特征映射电路与核矩阵的构造方式，而 QNN 的复杂度则同时叠加了量子线路结构与经典优化器的表达能力。

一、参数化量子电路：以门序列承载可训练参数

参数化量子电路是最基础的量子模型形式。其典型结构为：先对 n 个量子比特施加初始化（如 Hadamard 层），再交替堆叠“参数化旋转层 + 纠缠层”，最后在指定基下测量期望值作为输出。参数化旋转层通常由 R_x、R_y、R_z 门组成，每个门携带一个可训练角度 θ_i；纠缠层通常由 CNOT 或 CZ 门构成，负责在比特之间建立关联。

以一个 4 比特、3 层的 PQC 为例：每层每比特放一个 R_y(θ)，则单层有 4 个可训练参数；纠缠层采用环形 CNOT 连接（0→1→2→3→0），共 4 个 CNOT。3 层合计 12 个可训练参数、12 个纠缠门。若把层数增加到 8 层，参数量升至 32，纠缠门升至 32。这里就出现了第一个复杂度信号：可训练参数数量随层数线性增长，而纠缠门数量也同步增长。纠缠门越多，电路可表达的关联结构越丰富，但同时也越容易在有限训练样本上拟合噪声。

PQC 的训练流程通常是：将经典数据编码进量子态（数据嵌入层）→ 施加可训练线路 → 测量得到期望值 → 计算损失（如均方误差或交叉熵）→ 通过参数移位规则（parameter-shift rule）或有限差分估计梯度 → 经典优化器更新 θ。典型应用包括量子态制备、组合优化（如 QAOA 形式的变分线路）以及作为量子分类器的特征提取前端。其复杂度来源可归纳为三点：层数 L、每层参数量、纠缠拓扑的连通度。层数越深、纠缠越密，模型容量越大，过拟合风险也越高。

二、量子核方法：复杂度藏在特征映射里

量子核方法不走“训练线路参数”的路线，而是用一个固定的量子特征映射电路 φ(x) 将经典数据 x 映射到量子希尔伯特空间，再通过计算两个数据点量子态的内积得到核值：K(x_i, x_j) = |⟨φ(x_i)|φ(x_j)⟩|²。得到核矩阵后，交给经典核分类器（如支持向量机）完成训练与预测。

这类模型的复杂度来源与 PQC 不同：它没有可训练量子参数，复杂度主要体现在特征映射电路的设计上。例如采用 ZZ 特征映射，将每个特征编码为单比特旋转角，再用 CNOT-R_z-CNOT 结构引入特征间交互，交互阶数 d 决定了映射的表达能力。d=1 时只编码单特征，d=2 时引入两两交互，d 增大则特征空间维度迅速膨胀。核矩阵的构造需要对 N 个训练样本两两计算核值，复杂度约为 O(N²) 次电路执行，这也是量子核方法在大样本下的实际瓶颈。

其训练流程为：设计特征映射 → 对训练集两两计算核值构造 K → 对 K 做经典 SVM 或核岭回归训练 → 对新样本计算与支持向量的核值并预测。典型应用包括小样本量子分类、量子特征空间中的相似度度量。复杂度来源可归纳为：特征映射的交互阶数、编码比特数、以及核矩阵规模 N²。当特征映射过于复杂而样本量偏小时，核矩阵容易接近单位阵或秩亏，表现为训练集上分类过好、测试集上退化。

三、量子神经网络：量子与经典联合的复合容量

量子神经网络通常指“量子线路 + 经典网络”的混合结构：量子部分输出多个测量期望值作为特征向量，经典部分（全连接层、softmax 等）继续处理并输出预测。其训练采用端到端反向传播，量子部分的梯度仍通过参数移位规则估计，经典部分用常规反向传播。

QNN 的复杂度是复合的：量子侧有层数与纠缠带来的容量，经典侧有隐藏层宽度与深度带来的容量，两者相乘而非简单相加。举例来说，一个 6 比特、4 层、每层 6 个参数的量子前端输出 6 维期望值，接一个 6→16→3 的经典分类头，则经典侧已有 6×16+16×3=144 个权重。若量子侧参数为 24，则整体可训练参数约 168 个。对于只有几十条训练样本的任务，这个容量已经偏大。典型应用包括量子增强分类、量子生成模型的判别器、以及含噪中等规模量子设备上的混合学习任务。

四、复杂度来源的横向对照与诊断入口

把三类模型放在一起看，可以得到一个实用的诊断顺序。对于 PQC，优先检查层数 L 与纠缠拓扑：如果训练集准确率接近 1 而验证集明显下降，先把层数减半、把全连接纠缠改为环形或线性纠缠，观察验证集是否回升。对于量子核方法，优先检查特征映射的交互阶数 d 与训练样本量 N 的比值：当 d 偏大而 N 偏小时，核矩阵接近单位阵，模型退化为“记住每个样本”，此时应降低 d 或增加样本。对于 QNN，则要分别评估量子侧与经典侧的容量，常见误区是只关注量子线路深度，却忽略了经典分类头本身已经足以拟合训练集。