4. 量子数据编码与特征表示

量子特征选择与降维的第一步，并不是设计量子线路，而是把经典数据“翻译”成量子态。这个翻译过程称为量子数据编码（quantum data encoding）。编码方式决定了量子态中承载信息的物理量——是概率幅、是旋转角、还是基态索引——也直接决定了后续量子算法能提取什么、需要多少量子比特、线路深度多大，以及特征选择与降维在量子侧是否仍然“可分辨”。同一个经典特征向量，用不同编码方式映射后，量子态的结构、可用的测量算符、以及可达到的表达能力都会显著不同。

本节围绕三种最常用的编码方式展开：基编码、角度编码与振幅编码，并说明它们对后续特征选择与降维的影响。理解的重点不是记住公式，而是建立“经典特征维度 → 量子资源 → 可操作算符 → 选择/降维可行性”的对应关系。

一、基编码：用基态索引承载离散特征

基编码（basis encoding）把经典比特串直接映射为计算基态。若经典数据是长度为 n 的比特串 x = (x₁,…,xₙ) ∈ {0,1}ⁿ，则编码为

|x⟩ = |x₁x₂…xₙ⟩，即 |x⟩ = |k⟩，k 为 x 对应的二进制整数

它只需要 n 个量子比特，线路通常仅由 X 门按位翻转构成，深度极浅。基编码的优点是“无损且确定”：每个经典样本对应一个正交基态，任意两个不同样本的内积为 0，测量时以概率 1 得到原比特串。缺点是它只适合离散、二值化的数据；连续特征必须先量化，量化误差会直接进入量子态。对特征选择而言，基编码下“特征”就是比特位，选择某个特征等价于保留某个量子比特，降维等价于丢弃若干比特位，操作直观但表达能力有限，无法表示特征的连续幅值差异。

二、角度编码：把特征变成旋转角

角度编码（angle encoding）把每个经典特征 xᵢ 归一化后映射为一个旋转角，作用在对应量子比特上，常见形式为

|ψ⟩ = ⊗ᵢ R_y(θᵢ)|0⟩，θᵢ = 2·arctan(xᵢ) 或 θᵢ = π·xᵢ（xᵢ 已归一化到 [0,1]）

它使用 n 个量子比特承载 n 个特征，线路深度为常数级（每比特一个旋转门），硬件友好，是当前含噪中等规模量子（NISQ）设备上最常用的编码之一。角度编码的关键特性是：特征以三角函数的非线性方式进入量子态，单比特测量期望值 ⟨Z⟩ = cos θᵢ 可反推特征，因此特征之间在态上基本是“可分离”的，便于逐特征读取。但它不产生特征间的纠缠关联，若后续算法依赖特征交互，需要额外引入纠缠层。

对特征选择与降维而言，角度编码的一个重要影响是：由于每个特征独占一个量子比特，特征子集的选择可以直接对应为“保留哪些旋转门/量子比特”，降维则对应减少旋转门数量。但要注意，θᵢ = π·xᵢ 在 xᵢ 接近 0 或 1 时梯度较小，特征的可分辨性下降，必要时需调整归一化区间或改用 arctan 映射。

三、振幅编码：用概率幅承载高维特征

振幅编码（amplitude encoding）把归一化后的经典向量 x ∈ ℝ^N 直接映射为量子态的 N 个概率幅：

|ψ_x⟩ = Σᵢ xᵢ|i⟩，要求 Σᵢ|xᵢ|² = 1，仅需 ⌈log₂N⌉ 个量子比特

它的最大优势是“指数压缩”：N 维特征只需 log₂N 个量子比特，例如 1024 维特征只需 10 个量子比特。这对高维数据的降维与特征选择极具吸引力。代价是制备线路复杂：一般需要 O(N) 量级的门或借助量子随机存取存储器（QRAM）假设，线路深度大，在当前硬件上难以精确实现。此外，振幅编码下单个特征不再对应单个量子比特，特征与量子比特之间是“全局混合”的关系，读取某个特征需要设计特定的测量或层析方案，特征选择的“可解释性”和“可操作性”明显弱于角度编码。

从降维角度看，振幅编码天然适合与量子主成分分析、量子奇异值变换等方法结合：降维在经典侧是投影，在量子侧则体现为对振幅向量的线性变换。但必须清醒认识到，若制备成本高于经典降维收益，振幅编码的“指数优势”可能被线路开销抵消。

四、编码选择如何影响后续特征选择与降维

把三种编码放在同一条“经典特征 → 量子态 → 选择/降维”的链路上看，可以得到几条实践性判断。第一，资源与表达能力的权衡：基编码最省线路但只能处理离散特征；角度编码在比特数与线路深度之间取得平衡，适合 NISQ 阶段；振幅编码比特数最少但制备最深，适合有容错或 QRAM 假设的场景。第二，特征可寻址性：若后续要做逐特征筛选或可解释降维，角度编码和基编码保留了“特征—比特”的对应关系，而振幅编码把特征混合进全局振幅，选择与降维必须借助专门的测量或变换，不能简单按比特裁剪。第三，归一化与预处理：角度编码要求特征落在合理角度区间，振幅编码要求向量单位范数，基编码要求二值化，这些预处理本身就会改变特征的相对重要性，进而影响选择结果，必须在编码前记录并保持一致。

一个可操作的教学示例：假设有 8 维连续特征，先做零均值单位方差标准化，再缩放到 [0,1]。若采用角度编码，取 θᵢ = π·xᵢ，用 8 个量子比特，每个比特一个 R_y 门，测量各比特 ⟨Z⟩ 得到 cos θᵢ，据此可评估单特征贡献并做初筛；若采用振幅编码，则把 8 维向量补零到 16 维并归一化，用 4 个量子比特制备对应振幅态，再通过量子主成分分析类线路做降维。两种路径的比特数、线路深度和可解释性差异，正是编码选择带来的直接后果。