Skip to content

量子机器学习:混合线路怎么分类一张图 ​

WARNING

🧪 Beta公测版本提示:教程主体已完成,正在优化细节,欢迎大家提Issue反馈问题或建议。

量子机器学习(QML)在 NISQ 上几乎总是混合的:经典网络整理特征,量子线路吃角度、吐测量,再接一个小分类头。本章把这条管线讲清楚,并收编独立示例工程 qml-mnist-classify(MIT,现随本章发布)里基于本源 VQNet 的 8 比特实验。

前置:量子计算 的门与测量、CNN 的特征提取、优化 的梯度下降。pyvqnet 不是 notebook 默认依赖;没装也能跑经典基线。

正文把混合管线讲清楚;需要把角度头的 2π 或贫瘠高原的方差展开时,点开「逐步推导」。demo.py 种子 42:同任务小 CNN 默认训 8 个 epoch;量子混合模型 8 比特,缺 pyvqnet 时跳过并继续经典对照。

保姆级:先压缩,再编码。 16×16 灰度图有 256 个数。NISQ 没有 256 个干净量子比特,就算有,把每个像素直接写成一个 Ry 也没有理论保证更准。工程上是:全连接把 256 收成几十维隐藏向量,再映成 8 个 Ry 角和 8 个 Rz 角。量子线路吃的是已经提炼过的角度,不是原始像素。


一、QML 在 NISQ 上实际在做的事 ​

指数维希尔伯特空间并不自动等于「分类更准」。当前常见的可跑通范式是:

x→经典编码器θ(x)→U(θ,ϕ)|ψ⟩→测量y^.
  • θ(x):数据相关的旋转角(编码);
  • ϕ:可训练的线路参数(ansatz / HEA);
  • 测量期望值当特征,后面再接线性层也常见。

需要避开的幻觉:把 16×16 图像的 256 个像素直接当成 256 个量子比特。那既编不进 NISQ,也没有证据表明更准。正确的工程直觉是:先压缩,再编码。

混合量子-经典分类管线

图解说明:FC 压缩 → 两个角度头 → Ry/Rz 写入 8 比特 → 固定 HEA → MeasureAll → 分类。

配套示意图(SVG,可点开):


二、经典到量子的接口 ​

原示例教程把接口拆成四步,本章直接采用:

  1. 展平:16×16 → 256。信息量不变,只是给全连接层吃向量。
  2. 经典压缩器:256 → 128 → 64,Tanh。量子比特只有 8 个,必须先提炼。
  3. 角度头:两个独立的 Linear(64, 8),分别产出 Ry 与 Rz 的 8 个角。再 Sigmoid × 2π 把范围压到 [0,2π]。
  4. _encode():对第 i 个比特施加 Ry(θi)、Rz(ϕi)。这才是经典数变成量子门参数的时刻。

之后进入结构固定、旋转参数可训练的 Hardware Efficient Ansatz(HEA):交错的单比特旋转 + 邻近 CNOT。编码负责「把图写进态」,HEA 负责「再搅一搅、纠缠一下」。原仓默认配置去掉了编码阶段的 CNOT 链,让纠缠主要来自 HEA,以降低编码复杂度。

练习 exercise.py 不依赖 VQNet,只让你实现角度头的 NumPy 版:线性 → sigmoid → 2π。

逐步推导:角度头 Linear → sigmoid → 2π,以及测量期望怎样接到分类损失(点击展开)

设压缩器输出 h∈R64。两个头

θ=2πσ(Wyh+by),ϕ=2πσ(Wzh+bz),

各 8 维,σ 是逐元 sigmoid。σ 把实数压到 (0,1),乘 2π 后落在一个完整圆周——旋转角的自然周期。第 i 个量子比特先施加 Ry(θi)、再施加 Rz(ϕi),因此矩阵乘积是 Rz(ϕi)Ry(θi)|0⟩,把初态写到布洛赫球上的一个点;8 个比特的乘积态再进 HEA(邻近 CNOT + 单比特旋转)产生纠缠。

为什么不能把门的顺序反写?采用通常的 Rj(α)=e−iασj/2 定义,

Rz(ϕ)Ry(θ)|0⟩=e−iϕ/2cos⁡(θ/2)|0⟩+eiϕ/2sin⁡(θ/2)|1⟩.

去掉全局相位 e−iϕ/2,相对相位正好是 eiϕ。若反写成 Ry(θ)Rz(ϕ)|0⟩,最先作用的 Rz 对初态 |0⟩ 只产生全局相位,ϕ 就不能改变单比特物理状态。例如 θ=π/2,ϕ=π/2 时,正确次序给出 (|0⟩+i|1⟩)/2(忽略全局相位),反序仍是 |+⟩。

测量:本代码的 MeasureAll(obs=[...]) 明确指定 8 个单比特 Z 可观测量,返回 8 个期望值。后面的 Linear(8, 2) 把这 8 个数映到两类 logits,交叉熵相对标签(数字 3 vs 6)反传。

量子部分要对 ϕHEA 求导。酉门 U(α)=e−iαG/2 的参数移位:

∂α⟨Z⟩=12(⟨Z⟩α+π/2−⟨Z⟩α−π/2)

(对 Pauli 生成元)。框架(VQNet)把移位或自动微分藏起来;你只要记住:角度是连续参数,可以梯度下降;用上述两点参数移位规则求一个门参数的偏导,通常需要两次移位线路求值(模拟器自动微分的代价不同)。这和 CNN 卷积核的反传同构,只是前向贵在量子采样。

编码阶段默认去掉 CNOT 链:纠缠主要留给 HEA,避免「编码就已经很深、梯度先死」。


三、训练:前向、损失、验证集 ​

混合模型的前向一旦可微(参数移位规则或框架自动求导),就可以优化。本代码使用交叉熵加对齐正则项,优化器为 AdamW。原仓要点:

  • 从训练集内部切验证集,测试集只在 eval.py 动——避免泄漏;
  • 权重与报告写到 code/model/(已 gitignore);
  • 逐样本预测表便于检查「总在猜同一类」之类的崩法。

完整训练入口仍是 train.py / eval.py / qml_core.py,需要本源 VQNet(产品页)。demo.py 在能 import pyvqnet 时做一次前向冒烟;否则打印安装说明并继续跑经典对照。


四、贫瘠高原与「量子一定更强吗」 ​

随机深线路的梯度方差会随比特数指数变小——贫瘠高原(barren plateau):参数怎么动,损失几乎不变。这是变分 QML 的结构性风险,和 GAN 的模式坍塌不同,但同样表现为「看起来在训、其实学不动」。

贫瘠高原

图解说明:浅、有结构的编码 + 不太深的 HEA,是 NISQ 上还敢动手的原因之一;盲目加层往往会先把梯度训死。

逐步推导:贫瘠高原——随机线路梯度方差为何随比特数指数变小(点击展开)

变分损失 C(ϕ)=⟨0|U†(ϕ)HU(ϕ)|0⟩。若 U 在 n 比特酉群上足够接近 Haar 随机(深随机线路、无结构纠缠),McClean et al. 指出

Varϕ[∂ϕkC]∼poly(n)2O(n).

梯度的典型大小指数变小:Adam 看见的几乎是平地,参数怎么动损失都不动——这叫贫瘠高原。它和深度学习里「ReLU 死掉」不同:那边是局部硬饱和,这边是维数灾难在酉群上的版本。

逃避的工程直觉(不是定理):浅、有问题结构的编码(本章的 Ry/Rz 角度头);HEA 层数不要随 n 线性乱加;局域可观测量比全局哈密顿量的高原来得晚。8 比特玩具刚好还在「敢动手」的边缘;把像素扩到 20 比特随机深线路,先要担心梯度方差,再担心分类准不准。

因此对照表必须公平:16×16 小 CNN 才和量子模型同一任务(3 vs 6);LeNet-5 是另一条 28×28、0 vs 1 的经典路线。demo 在能 import pyvqnet 时做一次 8 样本前向冒烟,否则打印安装说明并继续跑 CNN / LeNet。

因此本章的对照实验是工程对比,不是「量子击败 LeNet」的榜单:

量子混合同任务小 CNN原对照 LeNet-5
框架VQNetPyTorchPyTorch
输入16×16,数字 3 vs 6同一套 npz28×28,数字 0 vs 1
特征FC 压缩 + 角度头卷积经典 LeNet 卷积块
量子资源8 比特 + 固定 HEA无无
数据从哪来dataset/*.npz同上torchvision MNIST(无 PNG)
默认依赖需自备 pyvqnetnotebook 已有 torch同上;下载失败则跳过

LeNet-5 的层结构与原独立示例一致(lenet.py),只是数据改为现场从 MNIST 筛 0/1,不再携带上千张 PNG。

经典对照:同任务 CNN 与 LeNet-5


五、代码地图 ​

docs/quantum/qml/code/
  demo.py          # 16x16 CNN + LeNet-5 对照 + 可选 VQNet 冒烟
  lenet.py         # 28x28 LeNet-5(torchvision MNIST,0 vs 1)
  exercise.py      # 角度头(纯 NumPy)
  qml_core.py      # 共享核心(import 需要 pyvqnet)
  train.py / eval.py
  dataset/*.npz    # 1000+200 张 16x16(3 vs 6)
  LICENSE-qml-mnist-classify.txt

建议阅读顺序:接口 → 训练循环 → 再决定是否安装 VQNet 跑满 24 epoch。对照时记住:16x16 小 CNN 才和量子模型同一任务;LeNet-5 是原示例的另一条经典路线(更大图、另一对数字)。


六、小结 ​

概念一句话
混合 QML经典压缩 + 量子编码 + 测量分类
角度头隐藏向量 → [0,2π] 门角
HEA硬件友好的固定纠缠模板
贫瘠高原深随机线路梯度消失
本仓库策略VQNet 原样可跑;缺依赖不 crash

量子信息五章到此收束。可回到 全景 或去 科学计算 看经典高维模拟的另一条路。

📥 Code ​

FileViewDownload
demo.pyOpenDownload
lenet.py—Download
exercise.pyOpenDownload

参考 ​

  1. 本源 VQNet:产品介绍、pyQPanda3 量子 ML 接口。
  2. Cerezo et al., Variational quantum algorithms. Nat. Rev. Phys. (2021);McClean et al., barren plateaus (2018).
  3. Mitarai et al. / Schuld et al.:参数移位与混合量子-经典求导。
  4. LeCun et al., LeNet-5;本章 lenet.py 为 0 vs 1 二分类改写。