4. 量子模型容量与泛化理论初步
在经典机器学习中，我们常用参数数量、VC 维或 Rademacher 复杂度来衡量一个模型“能装下多少东西”，并据此估计它在未见数据上的表现。量子模型面临同样的问题，但它的容量来源更隐蔽：参数只是表象，真正决定表达力的是希尔伯特空间的维度、纠缠的生成能力、电路深度以及测量方式共同塑造的有效假设空间。本节从四个相互关联的概念入手——有效维度、纠缠能力、电路深度与表达力、量子假设空间复杂度与泛化界——建立一套可以用于诊断过拟合的理论直觉。
一、参数数量不等于有效维度
一个含 L 层、每层 n 个量子比特、每层带 n 个可调旋转角的变分电路，表面上有约 L·n 个参数。但参数空间到输出分布的映射往往不是单射：不同的参数组合可能给出几乎相同的测量统计，某些方向上的梯度长期接近零，另一些方向则极其敏感。真正影响模型行为的，是参数化映射的雅可比矩阵所张成的局部切空间维数，这就是有效维度（effective dimension）的直观来源。
一个常用的估计方式是：在参数点附近采样若干组扰动，计算输出对参数的敏感度矩阵 F（其元素为各输出分量对各参数的偏导），再统计 F 的奇异值谱。若前 k 个奇异值占据了绝大部分能量，则有效维度约为 k，即使参数总数远大于 k。实践中可以这样操作：固定数据集与测量基，随机初始化参数 θ，对每个参数施加小扰动 ε（例如 1e-3），记录测量期望值的变化，构造敏感度矩阵并做奇异值分解。若发现有效维度随训练迅速塌缩，说明模型正在把容量集中到少数方向，这既可能带来稳定收敛，也可能意味着表达力被浪费。
二、纠缠能力：容量的物理来源
量子模型区别于经典模型的核心资源是纠缠。若电路只能产生直积态，其输出分布受限于乘积结构，假设空间相对狭窄；一旦引入受控门与纠缠层，态空间迅速扩张到 2n 维复空间。衡量纠缠能力可以用纠缠熵、纠缠负度，或在小型系统上直接计算约化密度矩阵的谱。
但纠缠并非“越多越好”。在数据嵌入阶段，如果编码电路本身就把输入映射到高度纠缠的态，那么不同样本在态空间中的距离可能被压缩，导致模型难以区分它们；在变分层，纠缠过强又可能让优化地形变得平坦或出现贫瘠高原。因此纠缠能力应被视为一把双刃剑：它扩大假设空间，同时改变优化难度与泛化行为。一个实用的检查是：对训练集与验证集分别计算编码后态的纠缠熵分布，若两者分布差异显著，说明模型可能在对纠缠结构“记忆”而非学习可迁移的模式。
三、电路深度与表达力
深度决定了电路能生成的酉变换集合。浅层电路受限于局域门的作用范围，其可达态构成一个受限流形；增加深度可以逼近更一般的酉变换，但同时也带来两个代价：一是参数增多导致有效维度上升，二是深层变分电路更容易出现梯度消失。表达力与可训练性之间存在张力，这正是量子模型容量管理的核心矛盾。
一个可操作的判断方法是做“深度扫描”：固定数据与优化器，将变分层数从 1 逐步增加到 6，记录训练损失与验证损失。若训练损失随深度增加持续下降而验证损失在某一深度后回升，说明模型容量已超出数据支撑的范围，属于典型的容量型过拟合；若训练损失本身在深层反而变差，则更可能是优化困难而非容量问题。两类现象需要不同的改进手段：前者应减少深度、增加正则或扩充数据，后者应调整初始化、学习率或改用更易训练的电路结构。
四、量子假设空间复杂度与泛化界
泛化界试图用假设空间的复杂度来约束测试误差与训练误差之差。对量子模型，常见的复杂度度量包括电路所对应假设类的覆盖数、Rademacher 复杂度，以及基于量子通道的稳定秩等。一个简化的直觉是：泛化间隙大致随 √(C/m) 增长，其中 C 是假设空间复杂度，m 是训练样本数。这意味着当样本量固定时，任何提升容量的操作（加深电路、增强纠缠、增加可观测量的多样性）都会抬高复杂度上界，从而可能放大泛化间隙。
实际诊断中不必精确计算这些界，而应把它们当作“方向性指标”。例如，当训练集准确率接近 1 而验证集明显偏低时，可以依次检查：有效维度是否在训练后期异常升高、编码态纠缠熵在训练集与验证集上是否分布不一致、深度扫描是否出现验证损失拐点。若三项中有两项成立，基本可以判定为容量驱动的过拟合，改进方向应优先考虑数据增强、参数正则、限制纠缠层数或采用早停，而不是继续加深电路。
五、把四个概念串成诊断流程
面对一个训练准确率高、验证准确率低的量子模型，可以按以下顺序排查。第一步，计算训练前后的有效维度，若训练后期有效维度显著上升而验证误差同步恶化，指向容量过剩。第二步，比较训练集与验证集编码态的纠缠熵均值与方差，若差异明显，说明模型在记忆样本特有的纠缠结构。第三步，做深度扫描，定位验证损失的拐点深度，作为容量上限的参考。第四步，结合样本量估算泛化间隙的量级，判断当前数据量是否足以支撑该复杂度。四步结果共同决定改进优先级：数据不足则先扩数据，容量过剩则先减深度或加正则，优化困难则先调训练策略。
需要强调的是，这四个概念并非彼此独立：深度增加会同时抬高有效维度与纠缠能力，纠缠增强又会改变假设空间复杂度，而复杂度最终通过泛化界影响我们对过拟合的判断。理解它们之间的耦合关系，比单独记住任何一个指标都更重要。下一阶段的实际诊断中，我们将把这些指标转化为可记录的实验量，并据此设计对照实验。