量子机器学习

量子机器学习（Quantum Machine Learning, QML）将量子计算的叠加态、纠缠、干涉等特性引入机器学习流程，试图在特定问题上实现超越经典计算的加速或表达力提升。当前处于 NISQ（含噪声中等规模量子，Noisy Intermediate-Scale Quantum）时代，以量子-经典混合算法（VQC、QAOA）为主要路线。2024 年 Google Willow 芯片首次突破量子纠错关键阈值，IBM Heron 处理器持续提升门保真度，中性原子系统突破千量子比特——硬件的快速进步正在把 QML 从理论推演推向真实硬件验证。前置阅读：其他交叉分支、深度学习基础、数学与优化基础。

核心直觉

经典计算机用 0 和 1 处理信息，量子计算机用量子比特（Qubit）处理信息。量子比特的魔力在于它可以同时处于 0 和 1 的叠加态：

叠加态（Superposition）= 经典比特要么是 0 要么是 1，量子比特可以是 0 和 1 的”加权混合”。一个量子比特的状态用 $|\psi\rangle = \alpha|0\rangle + \beta|1\rangle$ 表示，其中 $\alpha, \beta$ 是复数振幅（amplitude），满足 $|\alpha|^2 + |\beta|^2 = 1$ 。测量时以 $|\alpha|^2$ 的概率得到 0、 $|\beta|^2$ 的概率得到 1。n 个量子比特能同时编码 $2^n$ 个振幅——这是量子并行计算的根源。但注意：测量只能读出一个结果，因此量子算法的关键在于设计干涉模式，让正确答案的概率最大化。
量子纠缠（Entanglement）= 两个纠缠的量子比特”心灵感应”：测量其中一个的状态，另一个瞬间确定，无论相隔多远。数学上，纠缠态无法写成各自量子比特状态的张量积（tensor product），例如 Bell 态 $\frac{1}{\sqrt{2}}(|00\rangle + |11\rangle)$ 。纠缠是量子计算超越经典计算的核心资源，使量子比特之间形成经典比特无法实现的信息关联——n 个纠缠量子比特能表示的状态空间维度远超 n 个经典比特。
量子干涉（Interference）= 量子态的概率振幅可以像波一样相长（constructive interference）或相消（destructive interference）。算法设计的关键技巧是让通向正确答案的路径概率相长，通向错误答案的概率相消——最终测量时正确答案以高概率出现。Shor 算法（大数分解）和 Grover 算法（无序搜索）都是利用干涉的经典案例。
混合量子-经典= 量子计算机负责高维特征映射和内积计算（量子核），经典优化器负责调参。当前量子硬件能力有限，把两边的优势结合起来是最务实的选择。这种架构也称为变分量子算法（Variational Quantum Algorithm, VQA）。
变分量子线路（VQC）= 量子版的”可训练神经网络”。一层参数化量子门（类似权重矩阵）+ 一层纠缠门（类似全连接）+ 测量输出，用经典优化器（如 Adam、COBYLA）更新量子门的参数——结构上与经典神经网络高度类似。VQC 也被称为量子神经网络（Quantum Neural Network, QNN）的基础构件。

量子计算与经典计算的本质差异

理解 QML 需要先理解量子计算为什么”可能”比经典计算更快：

维度	经典计算	量子计算
信息单元	比特（0 或 1）	量子比特（0 和 1 的叠加）
状态空间	n 比特 → $2^n$ 个状态中的一个	n 量子比特 → $2^n$ 个振幅同时存在
读出方式	任意时刻可直接读取	测量导致波函数坍缩，只能得到一个结果
并行性	通过多核/多机实现	内在并行：一次量子操作作用于全部振幅
关联结构	经典相关性	量子纠缠：比经典相关性更强的关联

关键洞察：量子并行不等于”同时计算所有答案”。测量只能得到一个随机结果，因此量子算法的精妙之处在于通过精心设计的量子线路（干涉模式），让正确答案的测量概率趋近于 1。

原理图解

量子-经典混合机器学习流水线

变分量子算法（VQA）是当前 NISQ 时代量子机器学习的主流范式：经典编码器将数据映射到量子态，量子计算机执行参数化线路进行变换，测量结果返回经典端，经典优化器更新参数——形成量子-经典交替优化的闭环：

量子核方法的原理

量子核方法将经典数据通过量子特征映射嵌入高维希尔伯特空间（Hilbert space，即量子态所在的向量空间），在量子硬件上自然地计算高维内积（量子态之间的内积由硬件直接给出），再用经典 SVM 等算法做分类：

量子核方法的核心优势在于：经典数据 $x$ 经量子特征映射 $\phi(x)$ 后被嵌入到一个维度为 $2^n$ 的希尔伯特空间（n 是量子比特数），而两个量子态的内积 $K(x_i, x_j) = |\langle\phi(x_i)|\phi(x_j)\rangle|^2$ 可以用量子硬件在多项式时间内计算——经典计算机要计算同一个核函数可能需要指数时间。2024 年以来，IBM 和多个研究团队在真实超导量子硬件上验证了量子核方法在材料科学小数据集分类中的有效性。

参数转移法则（Parameter-Shift Rule）

VQC 的训练需要计算量子线路输出对参数的梯度。由于量子线路是在量子硬件上运行的，无法像经典神经网络那样直接用反向传播链式求导。参数转移法则提供了一种在量子硬件上精确估计梯度的方法：

对于形如 $U(\theta) = e^{-i\theta P/2}$ 的参数化量子门（其中 $P$ 是 Pauli 算子，如 $X, Y, Z$ ），线路输出 $f(\theta)$ 对参数 $\theta$ 的梯度可以精确表示为：

$\frac{\partial f}{\partial \theta} = \frac{1}{2}\left[f\left(\theta + \frac{\pi}{2}\right) - f\left(\theta - \frac{\pi}{2}\right)\right]$

也就是说，只需要在参数 $\theta$ 上分别加减 $\pi/2$ 各运行一次量子线路，就能得到精确的梯度值。这类似于有限差分法（finite difference），但参数转移法则是精确的而非近似的——不引入截断误差。代价是每个参数需要额外两次线路执行，因此 VQC 的梯度计算成本与参数数量成正比。

参数转移法则的意义：它使 VQC 可以在真实量子硬件上端到端训练，无需经典模拟器计算梯度。PennyLane 和 Qiskit 等框架都内置了这一机制。需要注意的是，当参数数量很多时（深层 VQC），梯度估计的线路执行次数会显著增加——这也是 NISQ 时代 VQC 线路深度受限的原因之一。

QAOA 的分层结构

QAOA（Quantum Approximate Optimization Algorithm，量子近似优化算法）专门用于求解组合优化问题，如最大割（Max-Cut）。其核心思想是将优化问题的目标函数编码为量子哈密顿量（Hamiltonian，描述量子系统能量的算子），然后通过交替施加两层量子操作来逼近最优解：

QAOA 的层数 $p$ 越大，解的质量越好（理论上 $p \to \infty$ 时精确逼近最优解），但所需量子线路深度也越长——在 NISQ 硬件上，深层线路会累积过多噪声。实际应用中通常取 $p = 1 \sim 3$ 。参数 $\gamma, \beta$ 由经典优化器搜索。

动手实践

使用 PennyLane 构建变分量子线路

以下代码使用 PennyLane 构建一个简单的变分量子线路，完成二分类任务。PennyLane 支持与 PyTorch / TensorFlow 无缝集成，量子门的参数可以像神经网络权重一样被自动微分：

import pennylane as qml
from pennylane import numpy as np

n_qubits = 2                          # 使用 2 个量子比特
dev = qml.device("default.qubit", wires=n_qubits)  # 模拟器后端

@qml.qnode(dev)
def circuit(weights, x):               # 参数化量子线路
    qml.AngleEmbedding(x, wires=range(n_qubits))    # 数据编码层
    qml.BasicEntanglerLayers(weights, wires=range(n_qubits))  # 可训练纠缠层
    return qml.expval(qml.PauliZ(0))  # 测量第 0 号量子比特的 Z 期望值

weights = np.random.normal(0, np.pi, (3, n_qubits))  # 3 层量子门参数
x_sample = np.array([0.5, 0.8])        # 输入特征

output = circuit(weights, x_sample)    # 前向计算，输出范围 [-1, 1]
print(f"量子线路输出: {output:.4f}")    # 输出一个标量作为分类得分

使用参数转移法则计算梯度

PennyLane 默认使用参数转移法则（而非数值差分）在量子线路上计算精确梯度。以下代码演示如何手动获取梯度并执行一步梯度下降训练：

# 定义损失函数：期望输出接近目标标签 target
def loss(weights, x, target):
    return (circuit(weights, x) - target) ** 2

# PennyLane 的自动微分：底层调用参数转移法则
loss_grad = qml.grad(loss)
grads = loss_grad(weights, x_sample, target=1.0)
print(f"梯度形状: {grads.shape}")

# 一步梯度下降更新
lr = 0.1
weights_updated = weights - lr * grads
print(f"更新后输出: {circuit(weights_updated, x_sample):.4f}")

在真实量子硬件上运行时（将 default.qubit 替换为 qiskit.ibmq 等硬件后端），参数转移法则会在硬件上执行 $\pm\pi/2$ 偏移的线路来估计梯度——整个过程对用户透明。

量子核分类示例

import pennylane as qml
from sklearn.svm import SVC

n_qubits = 2
dev = qml.device("default.qubit", wires=n_qubits)

# 定义量子特征映射：将经典数据 x 映射到量子态
def feature_map(x):
    qml.AngleEmbedding(x, wires=range(n_qubits))
    qml.BasicEntanglerLayers(np.random.normal(0, np.pi, (1, n_qubits)),
                             wires=range(n_qubits))

# 量子核函数：计算两个数据点在量子特征空间中的内积
@qml.qnode(dev)
def quantum_kernel(x1, x2):
    feature_map(x1)
    qml.adjoint(feature_map)(x2)   # 逆向执行 x2 的特征映射，计算内积
    return qml.probs(wires=range(n_qubits))

# 构建核矩阵并用经典 SVM 分类（此处简化，实际需遍历所有样本对）
# K[i][j] = quantum_kernel(X[i], X[j])[0]
# clf = SVC(kernel='precomputed').fit(K, y)

量子核方法的优势：经典 SVM 使用 RBF 核等固定核函数，而量子核通过量子特征映射可以访问指数大的希尔伯特空间——某些在经典核空间中线性不可分的数据，在量子核空间中变得可分。

实践要点

NISQ 时代的现实：当前量子硬件的量子比特数有限（数十到数百，2024 年已有千级系统如 Atom Computing 的 1180 量子比特中性原子平台）、噪声大、纠错能力不足。因此近期 QML 的实际优势主要体现在小规模特定问题上，而非通用机器学习任务。不要期望量子机器学习在短期内替代经典深度学习。
量子纠错的里程碑——Google Willow 芯片（2024）：Google DeepMind/Quantum AI 的 Willow 芯片首次实验验证了量子纠错的关键阈值定理（threshold theorem）——随着表面码（surface code）的码距（code distance，衡量纠错强度的参数）增大，逻辑量子比特的错误率反而降低。这是量子计算从 NISQ 走向容错量子计算（Fault-Tolerant Quantum Computing, FTQC）的关键一步。此前，增加量子比特用于纠错反而引入更多错误，是长期困扰领域的难题。
IBM Heron 处理器（2023-2024）：IBM Heron 量子处理器配备 133 个量子比特，大幅提升了量子门保真度（gate fidelity，即量子门操作的正确率）和相干时间（coherence time，量子比特保持叠加态的时间）。IBM 还公布了量子计算路线图，目标是 2025 年达到数千量子比特（Kookaburra），2033 年实现百万级量子比特的容错系统。
量子优势的期望场景与理论边界：量子计算在某些特定问题上可能有指数级加速：高维线性代数（HHL 算法）、量子化学模拟（变分量子本征求解器 VQE）、大规模优化问题（QAOA）。但对于通用机器学习任务，量子优势尚未被实验证实。理论上，量子优势的存在依赖于问题结构——如果经典数据需要”装载”到量子态中（input bottleneck），且装载本身是线性的，则量子加速可能被抵消。此外，Tang (2019) 证明某些受量子启发的经典算法可以在经典计算机上以类似效率解决部分推荐问题，说明某些原以为只有量子才能高效解决的问题实际上有经典替代方案。
数据编码是瓶颈——及新解决方案：将经典数据编码到量子态（量子 RAM / amplitude encoding）本身可能成为效率瓶颈。如果编码阶段就需要线性于数据量的时间，那量子算法的整体优势可能被抵消——这被称为”输入瓶颈”问题。2024 年的新进展包括张量网络启发编码（tensor network inspired encoding）：利用张量网络（tensor network，一种高维张量的低秩分解表示）压缩经典数据，使其更高效地映射到量子线路，减少编码所需的量子门数量。
变分量子线路的训练难点：VQC 训练中存在”贫瘠高原（Barren Plateau）“现象——随着量子比特数增加，损失函数的梯度方差指数级衰减，导致梯度几乎为零，训练陷入困境。这类似于经典神经网络中的梯度消失，但更为严重。缓解策略包括：精心初始化（层间方差控制）、局部代价函数（只测量少数量子比特而非全部）、减少纠缠深度，以及 2024 年提出的基于元学习（meta-learning）的参数预训练方法。
混合算法是务实选择：在可预见的将来，量子-经典混合方案是最可行的路线。量子部分负责高维特征映射和某些特定子任务的加速，经典部分负责大规模数据处理和参数优化。
可微分量子编程：PennyLane 和 TensorFlow Quantum 的核心创新是将量子线路视为可微分层——量子门的参数可以像神经网络权重一样做反向传播，这是量子机器学习得以实用化的关键。在真实硬件上，梯度通过参数转移法则精确计算。
与经典方法对比：在当前硬件条件下，经典方法（如CNN）在图像分类、NLP 等大规模任务上远超量子方法。QML 的价值在于某些高维小数据场景和物理化学模拟领域。

2024-2025 研究前沿

量子 Transformer

2024 年以来，研究者开始探索将 Transformer 的 Attention（注意力）机制映射到量子线路——称为量子注意力（Quantum Attention）。经典 Attention 的核心运算是 $\text{softmax}(QK^T / \sqrt{d})V$ ，涉及大规模矩阵乘法和 softmax。量子 Transformer 的思路是将 Query、Key、Value 向量编码到量子态，利用量子内积天然高效计算序列元素之间的相似度。

初步实验表明，量子 Attention 在小规模序列上可行，但面临两大挑战：(1) 序列长度受量子比特数限制；(2) softmax 操作在量子线路上实现成本高（非线性函数需要大量辅助量子比特和 Toffoli 门近似）。目前量子 Transformer 仍处于概念验证阶段，但其理论价值在于：如果 Attention 的二次复杂度 $O(n^2)$ 能被量子算法降低到 $O(n \log n)$ 或更低，将从根本上改变长序列建模的效率。

硬件进展一览

平台	类型	2024-2025 里程碑
Google Willow	超导量子比特	首次突破量子纠错阈值，码距增大时逻辑错误率下降
IBM Heron r2	超导量子比特	133 量子比特，门保真度 >99.7%，T2 相干时间显著提升
Atom Computing	中性原子	1180 量子比特系统，2024 年宣布与 Nvidia 合作开发混合量子-经典计算平台
QuEra	中性原子	256 量子比特可编程中性原子平台，支持任意拓扑的量子比特连接
IonQ	离子阱	Forte Enterprise 系统实现 35 个算法量子比特（#AQ），全连接拓扑
Quantinuum	离子阱	H2 系统实现 56 量子比特，2024 年展示纠错后逻辑错误率低于物理错误率

超导 vs 离子阱 vs 中性原子：超导（Google/IBM）门操作快但相干时间短；离子阱（IonQ/Quantinuum）相干时间长且全连接但门操作慢；中性原子（Atom Computing/QuEra）可扩展性强且支持任意拓扑连接，是 2024 年最受关注的新路线。

量子核方法的实际应用验证

2024 年以来，量子核方法从理论模拟走向真实量子硬件实验：

材料科学：多个研究团队在 IBM 超导量子处理器上用量子核方法分类小分子数据集（如含不同官能团的有机分子），在 20-50 个样本的小数据场景下，量子核的分类准确率优于经典 RBF 核。
药物发现：将分子描述符（molecular descriptors）编码到量子态，用量子核衡量分子相似度，辅助药物活性预测。剑桥大学与制药公司的联合实验表明，在特定先导化合物筛选任务中量子核有边缘优势。

需要注意的是，这些实验规模仍很小（量子比特数 < 20，样本数 < 100），且量子硬件噪声可能影响结果可重复性。真正的”量子优势”需要更大规模、更严格的对照实验验证。

量子金融

金融领域是 QML 近期应用最活跃的方向之一：

摩根大通（JPMorgan Chase）：内部量子计算团队（约 50 人）探索量子蒙特卡洛方法加速期权定价（option pricing）和风险价值（Value at Risk, VaR）计算。2024 年发表了在 IBM 量子硬件上实现小规模量子幅度估计算（Quantum Amplitude Estimation, QAE）的实验，理论上可对蒙特卡洛模拟实现二次加速（ $O(1/\epsilon)$ vs 经典 $O(1/\epsilon^2)$ ）。
高盛（Goldman Sachs）：与 IBM 和 IonQ 合作，研究量子优化在投资组合优化（portfolio optimization）中的应用，QAOA 在小规模组合优化问题上的实验表明理论可行。
汇丰（HSBC）：2023-2024 年与 Quantinuum 合作，探索量子机器学习在欺诈检测（fraud detection）和信用评分中的应用。

当前阶段均为概念验证（proof-of-concept），距离生产环境部署还有相当距离，但金融业的大规模投入表明行业对 QML 中长期价值的认可。

典型应用

药物发现与材料模拟：变分量子本征求解器（VQE）精确模拟分子电子结构——这是经典计算机指数级困难的问题。IBM、Google 与制药公司合作，用量子计算模拟小分子（如 LiH、BeH2）的基态能量，加速候选药物筛选。2024 年的进展包括在更大分子（如 N2、更大体系）上实现化学精度的模拟路径。
组合优化与物流：QAOA 可用于求解最大割、旅行商等 NP-hard 问题（NP-hard，即目前没有已知多项式时间算法的问题）。大众汽车与 D-Wave 合作用量子退火解决交通路线优化和供应链调度问题；2024 年 Volkswagen Research 探索了 QAOA 在电动车充电站选址优化中的应用。
金融风险分析：量子蒙特卡洛方法（Quantum Amplitude Estimation）加速金融衍生品定价和风险度量（VaR 计算）。高盛、摩根大通投资量子计算研究，目标是加速期权定价中的随机模拟——理论上有平方级加速。
量子化学与催化剂设计：模拟催化剂表面的化学反应路径，寻找更高效的化肥合成（Haber-Bosch 过程的替代）或碳捕获材料——精确的量子模拟是经典超算也力不从心的领域。Google 2017 年在 9 量子比特上模拟氢化铍（BeH2）分子，2024 年的目标体系已扩展到过渡金属配合物。
高能物理与基础科学：CERN 在探索用量子机器学习加速粒子碰撞事件的分类，量子核方法可能在高能物理数据的复杂特征空间中展现优势。
欺诈检测与小样本分类：量子核方法在某些小数据集分类基准（如 IBM 的 ad_hoc 数据集）上展示了理论上的量子优势——高维量子特征空间使支持向量机能分离经典特征空间中线性不可分的数据。汇丰银行正在试点将量子核方法用于信用卡欺诈检测。

典型类库与工具

类库	语言	说明
PennyLane	Python	Xanadu 开发的量子机器学习库，支持自动微分和与 PyTorch/TensorFlow 集成，内置参数转移法则
Qiskit	Python	IBM 开发的量子计算框架，包含 Qiskit Machine Learning 模块用于 QML，支持 IBM 真实硬件后端
Cirq	Python	Google 开发的量子编程框架，TensorFlow Quantum 基于 Cirq 构建
TensorFlow Quantum	Python	Google 推出的量子-经典混合机器学习框架，在 TF 中无缝调用量子线路
Q#（Q Sharp）	Q#	微软开发的量子编程语言，配合 Azure Quantum 云量子平台使用
Ocean	Python	D-Wave 量子退火机的开发工具包，专用于量子退火求解优化问题
Qiskit Runtime	Python	IBM 的量子云运行时服务，支持在 IBM 真实硬件上执行 VQE/QAOA 等算法，含纠错原语
CUDA-Q	Python/C++	Nvidia 的量子-经典混合编程平台，2024 年发布，支持 GPU + 量子处理器的统一编程模型

术语表

术语	英文	解释
量子比特	Qubit	量子计算的基本信息单元，可处于 0 和 1 的叠加态
叠加态	Superposition	量子比特同时处于多个状态的线性组合，是量子并行计算的物理基础
量子纠缠	Entanglement	两个或多个量子比特之间的非经典关联，测量一个立即确定另一个的状态
量子干涉	Interference	量子概率振幅的相长或相消，算法设计利用它放大正确答案的概率
变分量子线路	Variational Quantum Circuit (VQC)	参数化量子线路，量子门参数由经典优化器训练，是 NISQ 时代 QML 的核心
量子近似优化算法	QAOA	用于求解组合优化问题的变分量子算法，通过交替施加成本层和混合层逼近最优解
量子核	Quantum Kernel	将经典数据经量子特征映射嵌入高维希尔伯特空间后计算的内积
NISQ	Noisy Intermediate-Scale Quantum	当前量子硬件阶段：含噪声、中等规模（数十到数百量子比特），尚不能纠错
容错量子计算	Fault-Tolerant Quantum Computing (FTQC)	通过量子纠错实现可靠量子计算的目标阶段，逻辑量子比特错误率极低
量子纠错	Quantum Error Correction (QEC)	通过冗余编码（如表面码）将多个物理量子比特组合成一个可靠的逻辑量子比特
码距	Code Distance	表面码等量子纠错码的关键参数，衡量能纠正多少个物理错误的强度
退相干	Decoherence	量子比特与环境的相互作用导致叠加态退化为经典态，限制量子计算深度
贫瘠高原	Barren Plateau	VQC 训练中随量子比特数增加梯度方差指数衰减，导致优化极其困难的现象
参数转移法则	Parameter-Shift Rule	在量子硬件上精确计算 VQC 梯度的方法： $\partial f/\partial\theta = \frac{1}{2}[f(\theta+\pi/2) - f(\theta-\pi/2)]$
量子退火	Quantum Annealing	利用量子隧穿效应求解优化问题的技术，D-Wave 是商业化代表
哈密顿量	Hamiltonian	描述量子系统能量的算子，QAOA/VQE 将问题编码为哈密顿量
门保真度	Gate Fidelity	量子门操作的正确率，衡量硬件质量的关键指标，当前先进水平 >99.7%
量子幅度估计	Quantum Amplitude Estimation (QAE)	量子版的蒙特卡洛加速算法，理论上对随机模拟提供平方级加速