量子机器学习入门：量子神经网络、量子核方法与混合量子经典

引言

机器学习靠数据与算力驱动，量子计算恰好提供一种全新的「算力」。量子机器学习（Quantum Machine Learning, QML）试图回答：能不能用量子系统的叠加与纠缠，加速或改善学习任务？这里面既有激动人心的可能，也有大量被夸大的炒作。

本文给出一条理性的入门路径：先讲量子数据编码（怎么把经典数据装进量子态），再讲变分量子电路（VQC）这个「量子神经网络」，随后对比量子核方法与经典基线，用 Qiskit + PyTorch 跑通一个混合量子-经典训练的最小实例，最后客观评估 QML 的优势、局限与当下的真实边界。

前置：量子比特与门基础（https://plumephp.com/quantum-qubit-gates-basics/）、Qiskit 编程（https://plumephp.com/quantum-qiskit-programming/）。机器学习的监督学习基础见 [[ml]] 专题。

目录

• 1. 量子机器学习想解决什么
• 2. 量子数据编码：把经典数据变成量子态
• 3. 变分量子电路：量子神经网络的核心
• 4. 量子核方法与量子特征空间
• 5. 混合量子-经典训练范式
• 6. 实战：Qiskit + PyTorch 最小 QML 分类器
• 7. QML 的优势、局限与炒作
• 8. 前沿方向与开放问题
• 9. 总结：如何理性进入 QML
• 延伸阅读

1. 量子机器学习想解决什么

1.1 三重新可能

1.2 警惕炒作

• 大量论文证明的是「某个玩具数据集上的小加速」。
• 量子加速有严格条件（如数据本身有量子结构）。
• QML 目前是研究前沿，不是生产工具——本文按研究视角学习，而非按「拿来就用」的框架。

2. 量子数据编码：把经典数据变成量子态

2.1 为什么需要编码

量子电路吃的是量子态，经典数据要「装进去」。编码方式决定了模型的表达能力。

2.2 三种常用编码

from qiskit.circuit.library import ZZFeatureMap

feature_map = ZZFeatureMap(feature_dimension=4, reps=2, entanglement='full')
# 角度编码 + 纠缠层，QML 最常用的特征映射

2.3 特征映射即「特征工程」

经典侧的特征工程，在 QML 里变成「选择特征映射」。不同的 ZZFeatureMap 配置对应不同的核函数，直接决定模型能力。

3. 变分量子电路：量子神经网络的核心

3.1 结构与参数

变分量子电路（Variational Quantum Circuit, VQC）有两类参数：

• 数据参数：来自编码，固定。
• 训练参数（θ）：可旋转门，是「待学的权重」。

from qiskit.circuit import Parameter

params = [Parameter(f'θ{i}') for i in range(4)]
# 可训练旋转门
qc.rx(params[0], 0)
qc.ry(params[1], 1)
qc.cx(0, 1)

3.2 为什么叫「量子神经网络」

类比：

3.3 表达能力

VQC 能表示一些经典网络难以高效表示的函数，但并非所有任务都受益——这也是研究的核心开放问题。

4. 量子核方法与量子特征空间

4.1 核方法回顾

经典 SVM：数据映射到高维空间，核函数度量相似度。量子核方法把映射换成「量子特征映射」，核变成：

κ(x, x') = |⟨φ(x)|φ(x')⟩|²

即两个量子态的内积——可用量子电路测量得到。

4.2 量子核的优势假设

• 某些数据在量子特征空间线性可分，而经典特征空间不行。
• 内积计算量子天然高效。

4.3 关键警示：贫瘠高原

高维随机参数空间里，梯度往往指数级接近零（贫瘠高原 Barren Plateau）——这是 QML 训练的「梯度消失」，当前无通用解法。

5. 混合量子-经典训练范式

5.1 为什么需要混合

• 经典部分（数据预处理、最终分类、优化器）成熟且必要。
• 量子部分（VQC）只在「特征提取/核计算」环节。
• 当前量子硬件 NISQ（含噪声），量子电路尽量短。

5.2 标准架构

经典数据 → 特征映射(量子) → VQC(量子, 可训练)
        → 测量(量子→经典) → 经典分类头 → 损失 → 更新θ

5.3 梯度怎么算：参数移位规则

变分门的梯度可由「在原参数 ±π/2 处再测两次」得到——不依赖反向传播，NISQ 友好。

6. 实战：Qiskit + PyTorch 最小 QML 分类器

6.1 设计

用 Qiskit 构造一个 2 特征 2 类的 VQC 分类器，经典侧用 PyTorch 做训练循环（参数移位梯度）。

from qiskit.circuit import QuantumCircuit, Parameter
from qiskit.circuit.library import ZZFeatureMap, RealAmplitudes
import numpy as np

# 量子部分：特征映射 + 变分层 + 测量
def qml_circuit(theta):
    qc = QuantumCircuit(2)
    fm = ZZFeatureMap(2, reps=1)
    var = RealAmplitudes(2, reps=1)
    qc.compose(fm, inplace=True)
    qc.compose(var, inplace=True)
    qc.measure_all()
    return qc

6.2 用模拟器执行并算期望值

from qiskit_aer import AerSimulator
from qiskit import transpile

sim = AerSimulator()

def circuit_expectation(theta, x):
    """返回测量到 |00⟩ 的概率作为分类分数"""
    qc = qml_circuit(theta)
    # 绑定数据参数与训练参数（此处用绑定简化）
    qc_t = transpile(qc, sim)
    job = sim.run(qc_t, shots=1024)
    counts = job.result().get_counts()
    return counts.get('00', 0) / 1024

6.3 训练循环（简化示意）

theta = np.random.rand(4) * np.pi

for step in range(50):
    # 用参数移位规则估梯度
    grad = np.zeros(4)
    for i in range(4):
        plus  = circuit_expectation(theta + np.eye(4)[i] * np.pi/2, x_train)
        minus = circuit_expectation(theta - np.eye(4)[i] * np.pi/2, x_train)
        grad[i] = (plus - minus) / 2
    # 梯度下降
    theta -= 0.1 * grad

6.4 真实工程注意

• 完整版要用 PyTorch 的 torch.nn.Module 封装量子电路，可 GPU 并行批次。
• 用 qiskit_machine_learning 库可省大量样板。
• 先跑通小数据集，验证梯度不消失，再放大。

7. QML 的优势、局限与炒作

7.1 诚实的优势清单

7.2 明确局限

7.3 识别炒作的原则

• 论文是否在小玩具数据上测。
• 是否与最强经典基线公平对比。
• 是否报告了时间和成本，而非只看 QPU 次数。

8. 前沿方向与开放问题

8.1 有希望的方向

8.2 核心开放问题

• 什么数据/任务真的需要量子特征空间？
• 如何规避贫瘠高原？
• 容错量子硬件成熟后，QML 范式会不会完全不同？

9. 总结：如何理性进入 QML

9.1 学习路径

量子基础(比特/门/Qiskit) → 量子纠错(理解噪声边界)
→ 数据编码 → VQC → 量子核 → 混合训练 → 读前沿论文

9.2 给学习者的建议

9.3 一句话心法

QML 是「用量子结构重新思考学习」的研究，不是现成的加速魔法——以研究者的心态进入，才不会在炒作里迷失。

延伸阅读

• https://plumephp.com/quantum-qubit-gates-basics/ — 量子态与门的基础
• https://plumephp.com/quantum-qiskit-programming/ — Qiskit 环境与电路实战
• https://plumephp.com/quantum-error-correction/ — 理解噪声边界
• IBM Qiskit 机器学习教程 与 量子机器学习综述（Schuld & Petruccione）