3. 经典数据到量子态的映射总览

量子机器学习的第一步，是把经典数据“翻译”成量子线路能够处理的形式。这个翻译过程称为数据编码或特征映射。不同的编码方式决定了量子态占用多少量子比特、需要多深的线路、能表达多复杂的特征空间，也直接影响了后续模型的可训练性与硬件可行性。本节从资源消耗与表达能力两个维度，对基编码、振幅编码、角度编码和量子特征映射四类方法做一个分类框架式的梳理。

四类编码的基本形态

基编码是最直接的方式：把经典比特串直接对应到计算基态。例如一个 3 位二进制数 x = 101，编码为量子态 |101⟩。它不需要任何门操作，制备成本几乎为零，但表达能力极其有限——n 个量子比特只能表示 2ⁿ 个离散点，无法表示叠加与连续值，通常只用于离散标签或作为其他编码的中间步骤。

振幅编码把数据放进量子态的振幅里。一个 n 量子比特的态有 2ⁿ 个振幅，因此可以把长度为 2ⁿ 的归一化向量 x 编码为 |ψ⟩ = Σᵢ xᵢ|i⟩。它的存储效率最高：n 个量子比特承载 2ⁿ 个实数。代价是制备线路通常需要 O(2ⁿ) 量级的门，或者依赖 QRAM 等特殊结构，且振幅必须是归一化的，原始数据的尺度信息会丢失。

角度编码把每个特征映射为一个旋转角。最常见的是对每个量子比特施加 RY(θᵢ)，其中 θᵢ = xᵢ（或按比例缩放），得到 |ψ⟩ = ⊗ᵢ (cos(xᵢ/2)|0⟩ + sin(xᵢ/2)|1⟩)。n 个特征需要 n 个量子比特和 n 个单比特门，线路浅、易实现，是当前 NISQ 设备上最常用的方案。但它每个量子比特只承载一个特征，且由于三角函数的周期性，特征值需要归一化到合适区间以避免混叠。

量子特征映射则更进一步：不满足于线性地“放入”数据，而是通过含参线路把数据映射到更高维、更复杂的希尔伯特空间。典型做法是重复“数据编码层 + 纠缠层”若干次，例如 ZZFeatureMap 中引入形如 exp(i·xᵢ·xⱼ·ZᵢZⱼ) 的交互项，使特征之间产生非线性耦合。它的表达能力最强，但线路深度随特征数和重复次数增长，噪声敏感度也最高。

资源与表达的权衡关系

把四类方法放在“资源消耗—表达能力”平面上，可以看出一条清晰的趋势：从基编码到量子特征映射，表达能力逐步增强，资源代价也同步上升。基编码几乎不消耗门资源，但只能表示离散点；角度编码用 n 个比特和 n 个单比特门换取连续特征表示，是性价比最高的折中；振幅编码用对数级比特承载指数级数据，但制备线路深、依赖归一化；量子特征映射通过纠缠和非线性项获得最强表达力，却把线路深度和噪声暴露推到最高。

这里有一个容易被忽视的细节：表达能力不等于模型性能。过强的特征映射在小数据集上容易过拟合，在含噪硬件上则可能因为线路过深而让信号淹没在噪声里。因此实际选型时，应先看硬件约束（可用比特数、两比特门保真度、相干时间），再看数据规模与任务复杂度，最后才在可行集合里挑表达能力足够的那一档。

一个可操作的选型示例

假设我们有一个 8 维特征的二分类任务，运行在 8 比特、两比特门保真度约 99% 的超导设备上。若采用角度编码，8 个特征对应 8 个 RY 门，线路深度约为 1，噪声影响很小，是稳妥起点。若改用振幅编码，8 维向量只需 3 个量子比特，但制备任意 3 比特态需要若干受控旋转，深度明显增加，且需要先把特征向量归一化——这会丢掉原始幅值信息，若分类依赖绝对尺度则不合适。若采用 ZZFeatureMap 并重复 2 次，线路中会插入大量 ZZ 交互门，深度可能达到数十层，在 99% 保真度下累积误差已不可忽略。

一个实用的判断流程是：先确认数据是否天然离散（是则基编码）；再确认特征维度是否远大于可用比特数（是则考虑振幅编码并接受制备成本）；否则优先角度编码，仅在交叉验证显示欠拟合时，才逐步增加特征映射的纠缠层与重复次数，并同步监控线路深度与噪声影响。

分类框架小结

从映射的数学本质看，基编码是“索引映射”，振幅编码是“向量嵌入”，角度编码是“逐特征旋转”，量子特征映射是“含参非线性嵌入”。四者并非互斥：实际线路中常把角度编码作为数据层，再叠加纠缠层构成特征映射；振幅编码也可与角度编码混合，用少量比特承载主要特征、其余比特做角度调制。理解这条从“零成本弱表达”到“高成本强表达”的连续谱，才能在具体任务中做出有依据的取舍，而不是默认套用某一种编码。