3. 数据重上传策略的核心思想

在变分量子线路中，数据编码方式直接决定了模型能“看到”多少信息、以什么形式看到信息。最朴素的做法是把输入特征一次性编码进量子态，随后接一段可训练线路进行测量。这种“单次编码”结构简单，却存在一个根本性限制：编码完成后，输入信息被固定在量子态的振幅或相位中，后续可训练门只能在固定信息上做变换，模型对输入的非线性响应能力受到线路深度和纠缠结构的双重约束。数据重上传策略正是针对这一限制提出的：它不再把数据编码视为一次性前置步骤，而是把编码层与可训练层交替穿插，让同一组输入在演化过程中被反复“注入”。

动机：为什么单次编码不够

从表达能力角度看，单次编码线路的输出可以写成 U(θ)·S(x)|0⟩ 的形式，其中 S(x) 是编码酉门，U(θ) 是可训练部分。测量得到的期望值本质上是 x 经过编码后、再被 θ 线性组合的结果。若编码采用角度编码，单个量子比特上的相位为 x，则输出对 x 的依赖往往表现为低阶三角函数组合，难以拟合高频或强非线性目标函数。要提升拟合能力，常规思路是加深 U(θ)，但深度增加会带来优化地形变差、梯度消失和硬件噪声累积等问题。

数据重上传提供了另一条路径：通过多次编码，让输入 x 与可训练参数 θ 在多个层次上相乘、叠加，从而在输出中自然产生 x 的高阶项。直观地说，单次编码像“把数据读一遍就锁起来”，多次编码则像“边读边算、算完再读”，输入与参数之间形成更丰富的交互。

信息容量提升原理

考虑一个简化的单比特示例。设编码门为 R_x(x)，可训练门为 R_y(θ)。单次编码线路为 R_y(θ)R_x(x)|0⟩，测量 Z 的期望值可写为 cos θ·cos x 形式，对 x 的依赖阶数有限。若改为“编码—训练—编码—训练”的两层结构：R_y(θ₂)R_x(x)R_y(θ₁)R_x(x)|0⟩，展开后输出中会出现 cos x、sin x·cos x 等组合，等效于引入了 2x 频率分量。也就是说，重上传次数 L 增加时，输出对 x 的傅里叶频谱成分随之扩展，可表达的频率上限大致随 L 增长。

这正是“信息容量”提升的实质：不是量子比特数变多了，而是同一组输入在演化中被多次调制，使输出函数空间变大。对于经典数据而言，这意味着模型可以在不显著增加量子比特资源的前提下，获得更强的函数逼近能力。

表达能力增强机制

表达能力增强可以从三个层面理解。第一是频率扩展：多次编码使输出对输入的傅里叶分量增多，能够拟合更高频的目标函数。第二是参数—数据耦合：编码层与训练层交替，使 θ 与 x 在多个位置相乘，形成类似多项式展开的交叉项，而不是简单的“先编码后线性变换”。第三是纠缠参与调制：当编码层作用于多比特并配合纠缠门时，输入特征之间的乘积项也会进入输出，使模型具备表达特征交互的能力。

需要强调的是，重上传并非越多越好。编码次数增加会加深线路，带来噪声敏感和训练难度上升；同时，若编码方式与任务频率不匹配，过多重上传可能造成频谱冗余而非有效提升。因此实际设计中要结合目标函数的频率特性、硬件相干时间和可训练参数规模来权衡。

一个可操作的教学示例

假设我们要拟合一个单变量目标函数 f(x)=sin(3x)+0.5cos(5x)，输入范围 x∈[0,2π]。若采用单次角度编码加两层 RY 训练门，模型输出对 x 的频率成分通常集中在低频，拟合 3x 与 5x 的混合振荡会明显欠拟合。改为重上传结构：编码层 RX(x) 与训练层 RY(θ) 交替 3 次，即 RY(θ₃)RX(x)RY(θ₂)RX(x)RY(θ₁)RX(x)，则输出中可产生 3x 量级的频率分量，拟合误差显著下降。这里的关键不是盲目加层，而是让编码次数与目标频率大致对应：目标最高频率约为 5，重上传次数取 3 左右通常已能覆盖主要分量，继续增加收益递减。

在实现上，可以用如下伪代码描述线路构造逻辑（以常见量子框架的写法示意）：

for layer in range(L):
    for q in qubits:
        RX(x[q])          # 数据重上传：每层重新注入输入
    for q in qubits:
        RY(theta[layer][q])  # 可训练旋转
    entangle(qubits)      # 可选纠缠层，增强特征交互
measure(qubits)

训练时观察损失曲线：若损失在若干轮后停滞且残差呈现明显高频振荡，说明当前重上传次数不足或编码方式与目标频率不匹配；若损失下降但验证集波动大，则可能是重上传层数过多导致过拟合或噪声敏感。此时应优先调整 L 与纠缠结构，而不是单纯增加训练轮数。

设计要点与常见误区

第一，编码门的选择要与数据分布匹配。角度编码适合连续有界特征，振幅编码则更适合高维归一化向量，但后者重上传的“再注入”成本更高。第二，重上传层之间应保留足够的可训练自由度，否则多次编码只是重复同一变换，无法形成有效交叉项。第三，纠缠层不必每层都加，可按任务复杂度间隔布置，以控制深度。第四，评估时要区分“训练集拟合提升”与“泛化提升”，重上传带来的容量增长若缺乏正则约束，容易在小样本上过拟合。

总结来看，数据重上传的核心思想可以概括为：把“编码一次”改为“编码—训练—再编码”的交替结构，使输入在演化中被多次调制，从而在不显著增加量子比特的前提下扩展输出函数的频率成分与参数—数据耦合阶数，提升模型表达能力。理解这一机制后，后续的策略设计就有了明确的调节杠杆：编码方式、重上传次数、纠缠位置与训练参数规模，四者共同决定模型的实际表现。