1. 课程导入与全景认知
在开始任何具体算法之前，先把三件事说清楚：量子生成模型到底在做什么、它的研究边界在哪里、以及“样本评估”为什么不是训练结束后的附加步骤，而是贯穿整个开发闭环的导航仪。这一节不推导公式，而是建立一张全景地图，后续章节都会落在这张地图的某个位置上。
一、定义：量子生成模型是“用可训练的量子态去逼近数据分布”
经典生成模型的目标是学习一个参数化分布 pθ(x)，使其接近真实数据分布 pdata(x)。量子生成模型把“分布载体”换成了量子态：准备一个参数化量子态 |ψ(θ)⟩，通过对它做测量，得到比特串 x 的概率 pθ(x) = |⟨x|ψ(θ)⟩|²。训练就是调整 θ，让测量统计逼近数据分布。
这个定义带来两个直接推论。第一，生成过程必然包含测量：量子态本身不可直接读取，样本来自对同一量子态的多次测量（shots），因此“一次生成”天然是统计性的。第二，模型容量受量子态族限制：不同的电路结构（ansatz）对应不同的可达分布集合，选错结构，再好的优化器也拟合不了目标分布。
二、研究边界：它擅长什么，不擅长什么
量子生成模型的研究边界可以从“表示能力”和“可训练性”两个维度划出。在表示能力上，它被寄予厚望的场景是：目标分布具有经典模型难以高效刻画的关联结构，例如某些量子多体系统的基态分布、特定纠缠结构下的采样任务。此时量子电路可能以更少的参数表达经典模型需要指数级资源才能表达的相关性。
但边界同样清晰。其一，数据加载是瓶颈：如果训练数据是经典数据，把它编码进量子态（如振幅编码）本身可能消耗指数级电路深度，这会抵消表示优势。其二，贫瘠高原（barren plateau）：随量子比特数增加，梯度方差可能指数衰减，导致训练停滞。其三，测量成本：估计一个概率或梯度需要大量 shots，评估开销不可忽略。因此，量子生成模型并非“全面替代经典模型”，而是在特定分布结构上寻求优势的探索方向。
三、与经典生成模型的本质差异
把差异归纳为四点更便于记忆。第一，概率来源不同：经典模型通过显式网络输出（如 softmax、高斯参数）或隐变量积分给出概率；量子模型通过量子干涉与测量给出概率，概率是“算出来的”而非“输出出来的”。第二，采样机制不同：经典模型可一次性批量采样；量子模型需重复制备与测量，样本间存在统计噪声。第三，梯度获取不同：量子模型常用参数移位规则（parameter-shift rule）估计梯度，每次梯度估计都要多次电路执行。第四，可解释性路径不同：量子模型的“隐空间”是希尔伯特空间，难以像经典隐变量那样直观可视化。
四、样本评估为什么处在闭环的核心
训练损失下降不等于生成质量提升。量子生成模型常见的失败模式包括：模式坍塌（只生成少数高概率样本）、分布尾部缺失、以及测量噪声导致的样本抖动。这些问题在训练曲线上往往看不出来，只能通过独立的样本评估暴露。因此，评估环节承担三个职责：诊断（模型学到了什么、漏掉了什么）、比较（不同 ansatz、不同 shots、不同优化器的横向对比）、决策（是否继续训练、是否更换结构、是否增加测量预算）。
评估指标需要与目标分布的性质匹配。若目标分布已知（如小规模量子态），可用保真度或总变差距离；若只有样本，可用最大均值差异（MMD）或基于分类器的双样本检验；若关注生成多样性，则需统计模式覆盖率和样本熵。单一指标容易误导，实践中通常组合使用“分布距离 + 多样性 + 任务相关指标”。
五、一个可操作的最小示例
假设我们要用 4 量子比特的硬件高效 ansatz 拟合一个已知的 4 比特目标分布（示例设定，非实测）。评估流程可以这样落地：
目标分布 p_target：由 16 个比特串的概率给出（示例值，已归一化）
模型输出：对训练后的 |ψ(θ)⟩ 执行 8192 shots 测量，统计频率得 p_model
评估一：总变差距离 TVD = 0.5 * Σ_x |p_model(x) - p_target(x)|
评估二：保真度 F = Σ_x sqrt(p_model(x) * p_target(x))（经典分布近似）
评估三：模式覆盖率 = 被生成概率 > 1/16 的比特串数量 / 16
评估四：样本熵 H = -Σ_x p_model(x) log p_model(x)，与目标熵对比
判据示例：TVD < 0.05 且覆盖率 = 1.0 视为通过；
若 TVD 达标但覆盖率 < 0.8，判定为模式坍塌，优先调整 ansatz 纠缠层。注意 shots 的选择会直接影响评估结论：8192 shots 下，单个比特串频率的标准误约为 √(p(1−p)/8192)，当 p≈0.06 时约为 0.0026，足以支撑 TVD 在 0.05 量级的判断；若只采 512 shots，标准误放大约 4 倍，容易把噪声误判为分布差异。这也是为什么评估方案必须与测量预算一起设计。