4. 量子模型基础与实现形式

在公平对比的框架下，量子模型并不是一个笼统的“黑箱”，而是由若干可拆解、可参数化、可计量的组件构成。要把量子模型嵌入机器学习流程，首先需要看清三件事：量子线路如何表达计算、量子特征映射如何把经典数据变成量子态、变分量子线路如何携带可训练参数。理解这三层结构，才能进一步讨论参数数量、线路深度、测量次数等资源消耗，并与经典模型在同一尺度上比较。

量子线路：量子模型的计算骨架

量子线路是量子计算的基本描述形式：初始量子比特处于确定态（通常为 |0⟩），依次经过单比特门和双比特门，最后在指定基下测量得到经典比特串。单比特门如旋转门 R_x(θ)、R_y(θ)、R_z(θ) 负责改变单个量子比特的相位与幅度；双比特门如 CNOT、CZ 负责制造纠缠，使多个量子比特的状态不可分解为各自独立状态的乘积。纠缠是量子模型区别于经典线性模型的关键资源之一，也是线路深度和连通性约束的主要来源。

从实现角度看，量子线路最终要落到具体硬件或模拟器上。硬件上受限于量子比特拓扑连接关系，逻辑上相邻的两个量子比特若物理上不相连，就需要插入 SWAP 门来“搬运”状态，这会额外增加门数量。因此在设计线路时，连通性不是细节，而是直接影响资源消耗的结构性因素。

量子特征映射：经典数据的量子编码

经典数据是实数向量，量子线路的输入是量子态，二者之间需要特征映射（也称数据编码）来桥接。常见形式有三类：角度编码把每个特征 x_i 映射为旋转角，作用在对应量子比特上，线路简单但表达受周期限制；振幅编码把归一化后的特征向量直接写入量子态的振幅，所需量子比特数为 log₂N，节省比特但制备线路可能较深；纠缠编码在编码过程中引入双比特门，使特征之间产生关联，表达能力更强但门数更多。

特征映射的选择直接决定模型的归纳偏置。以角度编码为例，若采用 R_y(x_i) 逐比特编码，则每个特征对应一个可解释的旋转角，线路深度浅、易于在含噪声设备上运行；但特征值超过 2π 后会出现周期性折叠，需要预先做归一化或缩放。实际实现中通常把特征缩放到 [0, π] 或 [-π/2, π/2] 区间，并在预处理阶段固定这一约定，避免训练与推理阶段缩放不一致。

变分量子线路：可训练参数的载体

变分量子线路（VQC）由特征映射层和可训练层交替堆叠构成。可训练层通常采用“旋转门 + 纠缠门”的重复结构，例如每个量子比特先施加 R_y(θ) 和 R_z(φ)，再用 CNOT 环形连接。参数 θ、φ 就是模型的可调参数，其数量等于可训练旋转门的总数。若线路有 n 个量子比特、重复 L 层、每层每比特 2 个旋转门，则参数量约为 2nL，这与经典神经网络的参数量处于同一量级，可以直接对比。

训练时，参数更新依赖梯度。量子模型常用参数移位规则（parameter-shift rule）计算梯度：对形如 R_y(θ) 的门，其期望值对 θ 的导数可由 θ±π/2 两处的期望值之差求得。这意味着每计算一个梯度分量，需要额外两次线路执行，资源开销随参数量线性增长。这是量子模型训练成本的重要来源，也是与经典反向传播对比时必须计入的一项。

嵌入机器学习流程与资源计量

把上述组件串起来，量子模型的训练闭环是：经典数据经预处理和特征映射制备成量子态，变分线路施加可训练参数，测量得到期望值作为预测输出，经典优化器依据损失函数和参数移位梯度更新参数，循环直至收敛。这一闭环中，量子部分承担“特征变换与非线性表达”，经典部分承担“优化与调度”，二者分工明确。

资源消耗可以从四个维度计量。第一是量子比特数 n，它决定线路宽度和可编码特征维度；第二是线路深度 D，受硬件连通性影响，逻辑相邻但物理不相连的比特对需要 SWAP 插入，深度会显著增加；第三是测量采样次数 S，期望值的统计误差约为 1/√S，要达到固定精度需成倍增加采样；第四是梯度计算开销，参数移位规则下每个参数需要两次额外线路执行，参数量为 2nL 时，单次梯度估计的线路执行次数约为 4nL。这些量都可以与经典模型的参数量、前向计算量、反向传播开销放在同一张表里对照。