4. 数据重上传的数学形式化

要真正用好数据重上传，仅停留在“把数据多编码几次”的直觉层面是不够的。工程上需要一套可计算、可比较、可优化的数学描述，才能回答三个关键问题：单次编码到底把经典数据变成了什么量子操作？多次上传在数学上是怎样叠加的？整个模型最终输出的函数具有什么结构、受哪些参数控制？本节围绕这三个问题，建立数据重上传的形式化框架。

一、单次编码线路的酉算子表示

数据重上传的第一步，是把一个经典输入向量 x 通过编码线路映射为一个酉算子。设编码线路由若干含参量子门组成，每个门的作用是把某个数据分量“写入”量子态。以最常用的角度编码为例，对第 j 个量子比特施加绕 Y 轴旋转：

U_enc(x) = ⊗_{j=1}^{n} R_y(θ_j(x_j))，其中 θ_j(x_j) = x_j
R_y(θ) = exp(-i θ σ_y / 2) = cos(θ/2)·I - i sin(θ/2)·σ_y

这里 σ_y 是泡利 Y 矩阵，I 是单位矩阵。若编码采用更一般的特征映射，例如 θ_j(x) = w_j·x_j + b_j，则酉算子写成 U_enc(x) = ⊗_j R_y(w_j x_j + b_j)。需要强调的是，编码线路本身是一个以 x 为参数的酉算子族，它对任意输入都保持保范性，这是后续所有推导的基础。若编码门之间存在纠缠门（如 CNOT），则 U_enc(x) 不再是简单的张量积，而是一个整体酉矩阵，此时应把它视为一个黑箱酉算子，通过矩阵乘法或线路仿真获得其显式表示。

从实现角度看，单次编码的酉算子可以直接由量子线路仿真器构造：给定 n 个量子比特和编码门序列，逐门左乘得到 2^n × 2^n 的复矩阵。这个矩阵就是“数据被写入量子态”的精确数学对象，也是后续复合映射的乘数因子。

二、重复上传的复合映射

数据重上传的核心，是把“编码—变分”这一对操作重复 L 次。设第 l 层的变分线路为 V(φ_l)，其中 φ_l 是该层的可训练参数向量，则整个重上传线路的酉算子为各层酉算子的有序乘积：

U_total(x, Φ) = V(φ_L) · U_enc(x) · V(φ_{L-1}) · U_enc(x) · … · V(φ_1) · U_enc(x)

其中 Φ = (φ_1, …, φ_L) 为全部可训练参数。注意乘法顺序：按量子线路的作用顺序，先作用的算子写在右边。这个表达式揭示了两个重要事实。第一，同一个编码算子 U_enc(x) 被多次插入，每次插入都会把输入数据重新“注入”到当前量子态中，这正是“重上传”名称的由来。第二，变分算子与编码算子交替出现，使得最终酉算子对 x 的依赖不再是单次编码那样的简单旋转，而是多层旋转与纠缠的嵌套复合。

复合映射的数学意义在于：它把输入 x 映射为一个高度非线性的酉算子族。若把每层看作一个“数据相关的旋转 + 可训练旋转”的组合，则 L 层重上传相当于构造了一个 L 阶的嵌套函数。工程上，复合映射可通过逐层矩阵乘法实现：从初始态 |0…0⟩ 出发，依次作用 U_enc(x)、V(φ_1)、U_enc(x)……直到第 L 层，得到最终态 |ψ(x, Φ)⟩ = U_total(x, Φ)|0…0⟩。

三、模型输出函数的结构化描述

复合映射之后，模型输出由对最终态的测量给出。设测量可观测量为 O（例如某个量子比特上的 σ_z），则模型输出函数为：

f(x, Φ) = ⟨0…0| U_total†(x, Φ) · O · U_total(x, Φ) |0…0⟩

这个表达式是数据重上传模型的完整数学描述。它清楚地表明：输出函数是输入 x 与参数 Φ 的联合函数，且对 x 的依赖通过 U_total 的多层复合体现。若把 U_total 展开，可以看到 f 中会出现 cos、sin 与 x 的多重嵌套，这正是重上传能够产生丰富频率成分的根源。

为便于分析，常把输出函数写成傅里叶级数形式。对单比特、单层编码的简单情形，f(x) 可展开为若干频率分量的叠加；而 L 层重上传后，频率成分的数目与 L 相关，频率集合由各层编码与变分门的参数共同决定。工程上，这意味着增加重上传层数可以扩展模型可表达的函数频率范围，但同时也增加了参数优化难度与线路深度。

四、形式化框架的工程用法

这套形式化描述不是纯理论装饰，它直接指导实现与调试。第一，在构造线路时，应明确记录每层编码算子与变分算子的矩阵表示，便于用矩阵乘法验证 U_total 是否与线路仿真结果一致。第二，在分析模型表达能力时，可通过数值方法计算 f(x, Φ) 在不同 x 下的取值，观察其频率成分是否覆盖目标函数的频率范围。第三，在训练时，若发现模型对训练集拟合良好但对新输入泛化差，可检查重上传层数是否过多导致频率过高、或编码方式是否与数据尺度匹配。

需要提醒的是，上述形式化以理想酉算子为前提，未考虑噪声与测量采样误差。在实际硬件上，U_total 会被噪声信道扰动，输出函数变为含噪声的期望值估计。因此，形式化框架应作为“理想参考模型”，实际结果需结合噪声模型与多次采样统计来解读。理解这一点，才能在重上传策略的设计与调优中既用好数学结构，又不被理想假设误导。