想象你是一位沙漠探险家，任务是穿过无边沙丘寻找唯一的绿洲。可惜你的视力很差，只能靠脚下的坡度判断该往哪走：地面下坡就朝下坡迈步，上坡就绕开。起初地形起伏分明，你走得很有信心。可当探险区域变大之后，可怕的事情发生了——无论你往哪个方向踏出一步，脚下的沙地都像被压路机碾过一般平整，高低差几乎为零。你失去了唯一的方向信息来源，迷失在茫茫大漠中。 这就是量子神经网络（QNN）训练中著名的“贫瘠高原”（Barren Plateau）困境。量子比特越多、线路越深，损失函数的“地形”就越平坦，梯度——即参数更新时那根“脚下的坡度尺”——会以指数速度消失。没有梯度，经典深度学习中最核心的梯度下降法彻底失灵，模型训练陷入停滞。本篇文章将带你从现象出发，剖析高原形成的原因，并介绍层-wise 训练、局部代价函数、梯度自由优化等“走出沙漠”的实用策略。

岗位关联

理解贫瘠高原是量子机器学习从业者的必修课：它决定你该如何设计线路、挑选训练策略，也直接影响量子优势能否在真实硬件上兑现。

目录
  1. 可视化演示
  2. 贫瘠高原现象
  3. 理论成因分析
  4. 代价景观特征
  5. 线路结构影响
  6. 层wise训练
  7. 局部代价函数
  8. 梯度自由优化
  9. 实践评估展望
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

\u5c55\u793a\u5fae\u670d\u52a1\u67b6\u6784\u4e2dAPI\u7f51\u5173\u5982\u4f55\u8def\u7531\u8bf7\u6c42\u5230\u4e0d\u540c\u540e\u7aef\u670d\u52a1\uff0c\u5305\u62ec\u8bf7\u6c42\u8f6c\u53d1\u3001\u8d1f\u8f7d\u5747\u8861\u548c\u54cd\u5e94\u8fd4\u56de\u3002

本节配有交互动效（进入视口后自动加载，约 3KB）。

API\u7f51\u5173\u8def\u7531 Gateway Auth Order Route \u8bf7\u6c42\u7ecf\u7f51\u5173\u8f6c\u53d1\u5230\u540e\u7aef\u670d\u52a1

贫瘠高原现象

你站在沙漠边缘，手上的地图画得密密麻麻，可刚迈出几步就发现脚下毫无坡度的变化。这不是地图错了，而是你走进了一片真正的“贫瘠高原”——无论朝哪个方向走，海拔都不变。量子神经网络的训练正是如此：变分量子线路中的参数，像探险者的脚步一样需要方向感；这个方向感来自损失函数对参数的偏导——梯度。

量子神经网络（QNN）通常采用“变分量子线路 + 经典优化器”的架构：量子线路负责在巨大的希尔伯特空间中演化量子态，经典计算机则不断调整线路中的旋转角度参数，使某个测量期望值（损失函数）最小化。2018 年，Jarrod McClean 等人在《Nature Communications》上指出一个令人不安的现象：当线路足够深、量子比特数足够多时，随机初始化的线路几乎对所有参数方向都“无动于衷”，梯度期望为零、梯度方差也呈现指数级衰减。

没有梯度，经典深度学习最依赖的梯度下降法就失去了“脚下坡度”，模型参数几乎不再更新。对从业者而言，这意味着量子机器学习不能简单复制经典神经网络的训练套路；理解贫瘠高原，是设计可用 QNN 的第一道门槛。就像探险家必须先弄懂哪些区域是流沙、哪些区域能下脚，量子算法工程师必须知道哪些线路结构会触发高原，才能为任务选择正确的“路线图”。

理论成因分析

为什么量子比特越多，脚下的“坡度”反而越平？让我们用数学语言看清这个机制。假设参数化线路的初始参数随机选取，线路整体在希尔伯特空间中近似均匀地“撒”开——数学上称为接近 Haar 分布。当线路足够随机时，损失函数对任何一个参数的偏导，会在海量的方向中互相抵消：平均梯度为零，而围绕零的波动范围也急剧收缩。

从物理直觉看，n 个量子比特构成 \(2^n\) 维的庞然大空间。参数微调产生的影响被稀释到指数多的维度中，任何一个方向上的“信号”都被“噪声”淹没。就像一个声音在空旷大剧场里传播，剧场越大，站在舞台中央的你能听到的回声越微弱。

Var(∂C∂θi)=O(12n)\displaystyle \mathrm{Var}\left(\frac{\partial C}{\partial \theta_i}\right) = O\left(\frac{1}{2^n}\right)
这个公式是贫瘠高原的“判决书”：梯度方差随量子比特数 n 指数衰减。每多一个量子比特，梯度信号强度大概减半。
  1. 方差算子衡量多次随机初始化下，梯度观测值围绕均值波动的平均平方幅度，代表“梯度信号还有多少指望”。
    Var(⋅)\displaystyle \mathrm{Var}(\cdot)
  2. 损失函数偏导损失 C 对第 i 个参数 θ_i 的变化率，即参数每动一小步，损失值改变多少。
    ∂C∂θi\displaystyle \frac{\partial C}{\partial \theta_i}
  3. 指数上界大 O 记号表示量级不超过常数倍的 \(2^{-n}\)。n 从 10 增至 50，方差缩小的倍数达到惊人的 \(2^{40}\)。
    O(12n)\displaystyle O\left(\frac{1}{2^n}\right)

代价景观特征

探险家最怕的不是陡峭的山，而是看似安全、实则毫无特征的平原。贫瘠高原的本质，是整个损失曲面在几乎所有方向上都没有坡度。有人会问：平均梯度为零，是不是左右摇摆一下就能找到方向？问题在于，不仅平均值是零，梯度本身的“波动范围”——方差——也缩成了几乎为零。这意味着你每次测量得到的梯度数值，无论换哪个方向，都像用同一个坏掉的气压计读数：永远指在同一个位置，什么信息都没有。

代价景观的平坦化带来两个可怕后果。第一，局部极小值变成“浅碟子”：即使存在一个相对较低的能量谷，它的深度也随比特数增加而急剧变浅，从远处看根本分辨不出哪里更低。第二，优化器“失明”：标准梯度下降在第一个迭代步就发现所有方向梯度都接近零，参数原地踏步，训练曲线变成一条直线。这种失明不是算法实现的问题，而是问题本身的信息量已经枯竭。

这里要特别澄清：局部极小值问题像“走进了一个碗”，至少碗底还有方向；贫瘠高原则像“站在一张无限大的台球桌上”，连碗都没有。因此，单纯加大学习率、加动量，都无法解决问题——因为不是步子迈得不够大，而是根本没有信息告诉你该往哪迈。

Eθ[∂C∂θi]=0\displaystyle \mathbb{E}_{\theta}\left[\frac{\partial C}{\partial \theta_i}\right] = 0
该式说明：在随机初始化下，梯度的期望值为零。它提醒我们，贫瘠高原并非“偶然走到平地”，而是随机深线路的典型状态。
  1. 期望符号对所有可能的随机初始参数取平均，表示梯度在全局意义上的典型取值。
    Eθ[⋅]\displaystyle \mathbb{E}_{\theta}[\cdot]
  2. 梯度为零每个参数的偏导平均为零，说明地形总体“没有系统性下坡”。
    ∂C∂θi=0\displaystyle \frac{\partial C}{\partial \theta_i} = 0

线路结构影响

同样是沙漠，有的地方沙丘连绵，有的地方一马平川。量子线路的结构，决定了你会遇上哪种地形。研究者发现，线路的深度（层数）、纠缠门的排布方式以及测量算子的局域性，都会显著改变贫瘠高原的严重程度。

线路深度是最直接的推手。直觉上，深度越大，参数化的酉算子越接近 Haar 随机分布，代价景观就越趋于平坦。深度 L 的变分线路，梯度方差的上界常常受到额外压制：

除了深度，纠缠结构也扮演关键角色。如果参数层之间插入大量全局纠缠门，量子态在空间中的“混合”更彻底，梯度信息更容易被抹平。反之，采用局域纠缠结构——比如只让相邻量子比特相互作用——相当于在沙漠中保留了几片起伏的沙丘，梯度信号得以延续。线路拓扑设计的核心原则因此浮现：在表达能力允许的前提下，尽量让结构“浅而局部”。

Var(∂C∂θi)≲c2nL2\displaystyle \mathrm{Var}\left(\frac{\partial C}{\partial \theta_i}\right) \lesssim \frac{c}{2^n L^2}
线路上每多一层，方差还可能再按层数平方倍缩水。浅层线路是逃离高原的第一道曙光。
  1. 常数 c取决于线路和代价函数的具体细节，但它不与 n 成指数关系。
    c\displaystyle c
  2. 比特数 n指数衰减的底数来源，构成高原的第一重压力。
    12n\displaystyle \frac{1}{2^n}
  3. 深度平方 L²线路越深，Haar 随机化越彻底，方差受深度平方反比压制。
    1L2\displaystyle \frac{1}{L^2}

层wise训练

一个聪明的探险家不会试图一口气穿越整片沙漠，而是先走到最近的绿洲，休整定位，再规划下一段路。层-wise 训练的哲学正是如此：把深线路切成若干“短途赛段”，每轮只训练一个区块，冻结其余区块的参数。这样，梯度只需要穿过一小段“浅线路”，不会被指数级的高维空间彻底稀释。

具体操作中，算法从输入侧开始，先训练最靠近量子比特初始态的第一层参数；收敛后冻结这一层，再解锁并训练下一层；如此逐层推进，直到所有层都被“预热”过。这种预热式的参数初始化，往往能让最终联合微调阶段避开最平坦的区域。参数更新的标准公式为：

层-wise 训练并非万能药。如果线路中的纠缠结构本身已彻底 Haar 化，即使只训练一层，梯度仍可能很微弱。但它与浅层线路结合时效果显著：本质上，这是在“降低有效线路深度”和“保留足够表达力”之间做权衡，恰如探险者用分段目标降低导航难度，却并未放弃远方的大绿洲。

θi(k)←θi(k)−η∂C∂θi(k)\displaystyle \theta_i^{(k)} \leftarrow \theta_i^{(k)} - \eta \frac{\partial C}{\partial \theta_i^{(k)}}
它表示第 k 层中的参数沿该层梯度负方向移动，η 是步长（学习率）。逐层执行时，每次只需对小线路求梯度，梯度信号更“新鲜”。
  1. 层内参数上标 k 表示参数属于第 k 个线路层；每一层只有少量参数参与本轮更新。
    θi(k)\displaystyle \theta_i^{(k)}
  2. 更新箭头把右边的计算结果赋给左边的参数，完成一次梯度下降步。
    ←\displaystyle \leftarrow
  3. 学习率 η控制每步移动的幅度，避免步子太大越过绿洲。
    η\displaystyle \eta
  4. 本层负梯度只对第 k 层求偏导，减小其他层带来的“干扰噪声”。
    −∂C∂θi(k)\displaystyle -\frac{\partial C}{\partial \theta_i^{(k)}}

局部代价函数

探险家判断方向时，如果非要测量整片沙漠的平均海拔，需要走遍天涯海角；但如果只看脚下十米范围内哪里更低，则省力得多。量子线路的代价函数设计也存在类似的“视野”选择：全局代价函数需要测量整个系统的某些全局性质，导致梯度被指数维度的希尔伯特空间稀释；局部代价函数只测量一个或少数几个量子比特的局域性质，相当于把视野缩小到“脚下十米”，梯度信号反而更强劲。

为什么全局投影如此致命？考虑一种极端简化的演示模型：参数化线路是各比特独立旋转，全局代价定义为量子态与全零态的重叠度，即 C_global = Π cos²θ_i。对它求梯度时，除了当前参数之外，其余 n-1 个因子的乘积都会贡献约 \(1/2^{n-1}\) 的指数压制；而若只测量第一个比特的局域代价 C_local = cos²θ₁，梯度完全不依赖其他比特，方差保持常数。理论分析表明，采用合适的局部哈密顿量，梯度方差可以从指数衰减提升到多项式衰减：

因此，在设计 QNN 的损失函数时，一个实用的建议是：把用户关心的全局目标拆解为一组可测量的局域项之和。比如在量子化学中，分子哈密顿量本身可以写成多局域泡利算符的线性组合，逐项测量不仅可行，还能在训练早期提供足够的梯度“坡度”——这既是数学技巧，也是沙漠生存智慧。

Var(∂Clocal∂θi)≥1poly(n)\displaystyle \mathrm{Var}\left(\frac{\partial C_{\mathrm{local}}}{\partial \theta_i}\right) \geq \frac{1}{\mathrm{poly}(n)}
这条下界意味着：局部代价函数让梯度方差虽然仍随 n 减小，但缩水速度从“指数级”降级为“多项式级”，足够支撑现代优化器完成训练。
  1. 局部代价偏导代价函数只由局域算子构成，例如只测量单个量子比特的泡利算符。
    ∂Clocal∂θi\displaystyle \frac{\partial C_{\mathrm{local}}}{\partial \theta_i}
  2. 多项式下界分母是 n 的多项式函数，而不是指数函数，梯度信号得以保留。
    1poly(n)\displaystyle \frac{1}{\mathrm{poly}(n)}

梯度自由优化

如果脚下实在没有坡度，探险家还有最后一招：闭上眼睛，随机朝几个方向各走几步，然后感觉哪边更凉快、植被更密，就往那边挪。这类“直接用脚试，不依赖坡度仪”的方法，对应着梯度自由优化（gradient-free optimization）。

SPSA（同时扰动随机近似）是其中最实用的算法之一。它每次随机选一个扰动方向，用两次函数值之差近似梯度方向：

除了 SPSA，Nelder-Mead 单纯形法、CMA-ES 进化策略等无梯度算法也被用于 QNN 训练。它们的共同点是：不要求损失曲面提供可解析的梯度，只需不断评估不同参数下的损失值。在贫瘠高原上，这些方法往往比梯度下降更“抗饿”——梯度为零时它们仍能靠随机探索维持搜索。但要注意，如果损失函数在整个参数空间都完全平坦，函数值本身也没有差异，任何基于采样的方法都会失效。因此，梯度自由优化更像备用的求生木筏，而非长期航线。

g^i=C(θ+ϵΔ)−C(θ−ϵΔ)2ϵΔi\displaystyle \hat{g}_i = \frac{C(\theta + \epsilon \Delta) - C(\theta - \epsilon \Delta)}{2\epsilon \Delta_i}
其中 Δ 是随机扰动向量，ε 是扰动幅度。SPSA 不需要解析梯度，只要能在噪声中读出两次损失值，就能拼凑出“哪个方向损失更低”的信号。
  1. 扰动方向 Δ_i第 i 个参数上叠加的随机扰动分量，通常取 ±1。
    Δi\displaystyle \Delta_i
  2. 两点差分函数值之差除以扰动差，近似中心差分得到方向导数。
    C(θ+ϵΔ)−C(θ−ϵΔ)2ϵ\displaystyle \frac{C(\theta+\epsilon\Delta) - C(\theta-\epsilon\Delta)}{2\epsilon}
  3. 梯度近似乘以 1/Δ_i 后，得到对每个参数的梯度估计值。
    g^i\displaystyle \hat{g}_i

实践评估展望

一片沙漠可能有多种走法：有人分段推进，有人靠局部罗盘，有人闭眼乱撞。现实中，缓解贫瘠高原的最优方案极少是单一策略，而是组合拳。浅层局部线路 + 层-wise 初始化 + 局部代价函数 + 梯度自由优化，构成了当前 QNN 训练的“四件套”。不同线路结构下效果差异也很大：浅层硬高效线路（HWE）中，层-wise 与局部代价都能显著提升收敛性；而深层全连接线路中，即使组合策略也只能延缓高原到来，无法根除。

研究界正在从两个方向继续突破。其一是参数初始化策略：通过数据驱动的预训练、基于问题的温和初始化，让线路起步时就落在“有坡度”的区域。其二是动态线路结构：在训练过程中自适应地增删量子门，让线路始终保持在浅层、局部、可训练的范围内。这些探索共同指向一个目标——在含噪中等规模量子（NISQ）设备上，让 QNN 真的能解决经典计算机难以处理的问题。贫瘠高原最终能否被驯服，取决于线路结构、代价设计与经典优化算法三者的协同创新。而对于每一位进入这一领域的工程师，记住沙漠的第一法则总是没错的：出发前先确认脚下有坡。

AI 应用场景

变分量子特征求解器（VQE）中的分子基态计算

阶段：模型训练与优化

解决的问题：传统 VQE 直接采用全局能量期望值作为代价函数，随着分子体系增大，量子比特数上升，梯度方差指数衰减，训练过程在硬件上反复震荡却无法收敛。借助局部哈密顿量分解与层-wise 训练，梯度信号不再被整体空间稀释，分子能量曲线可以稳定下降。

具体案例：研究团队在模拟氢气分子（H₂）基态能量时，将分子哈密顿量拆分为多个局域泡利项，并逐层训练变分线路，最终仅用少量量子比特即在含噪模拟器上恢复了实验能级，而采用随机初始化和全局代价的对照组则完全陷入停滞。

量子图像分类器的训练部署

阶段：模型设计与参数调优

解决的问题：QNN 分类器处理高维图像编码时，线路深度和比特数增加，梯度下降几乎失效。工程师通过层-wise 预训练获得初始参数，再用 SPSA 等梯度自由方法微调，使分类准确率从接近随机水平提升到可用的 80% 以上。

具体案例：某量子机器学习团队在手写数字数据集（如 MNIST 降采样版本）上训练 8 比特 QNN：他们先冻结大部分参数，只训练贴近数据编码层的两块参数，再用 CMA-ES 全局搜索后微调，最终在量子模拟器上实现了优于经典支持向量机的分类边界。

量子云平台上的任务自动排障

阶段：推理与部署运维

解决的问题：量子云平台用户提交的 QNN 任务经常出现“训练曲线完全平直”的故障。平台通过分析线路深度、纠缠门占比和代价函数类型，自动识别贫瘠高原风险，并推荐层-wise 训练或局部代价替换方案，减少用户试错成本。

具体案例：某量子计算云服务在其任务提交面板中加入“高原风险检测”插件：提交线路时先运行一次浅层随机探针，估算梯度方差；若方差低于阈值，系统自动切换为局部代价函数并启用 SPSA 优化器，任务成功率显著提高。

Python 演示

python27 行
import numpy as np def grad_of_global_cost(n, samples=2000):    """可分离参数态下，全局代价 C=|〈0|ψ〉|^2 的梯度方差"""    grads = []    for _ in range(samples):        theta = np.random.uniform(0, 2 * np.pi, size=n)        dC = -2 * np.sin(theta[0]) * np.cos(theta[0])        dC *= np.prod(np.cos(theta[1:]) ** 2)        grads.append(dC)    return np.var(grads) def grad_of_local_cost(n, samples=2000):    """局部代价 C=|〈0_1|ψ_1〉|^2 的梯度方差，只依赖第一个比特"""    grads = []    for _ in range(samples):        theta = np.random.uniform(0, 2 * np.pi, size=n)        dC = -2 * np.sin(theta[0]) * np.cos(theta[0])        grads.append(dC)    return np.var(grads) if __name__ == "__main__":    print("比特数 n\t全局代价方差\t局部代价方差")    for n in range(1, 9):        gv = grad_of_global_cost(n)        lv = grad_of_local_cost(n)        print(f"{n}\t{gv:.3e}\t{lv:.3e}")
目的：用 n 个独立旋转参数模拟简化量子态，对比“全局重叠度代价”与“局域单比特代价”下的梯度方差，直观展示贫瘠高原的指数衰减与局部代价的缓解效果。
  1. theta = np.random.uniform(0, 2*np.pi, size=n)随机初始化每个量子比特的旋转角，模拟随机初始化的变分线路。
  2. dC = -2 * np.sin(theta[0]) * np.cos(theta[0])计算第一个参数对代价的梯度，核心信号来自单比特的旋转响应。
  3. dC *= np.prod(np.cos(theta[1:]) ** 2)全局代价把其余 n-1 个比特的投影因子全部乘进来，正是它们带来了指数衰减。
  4. np.var(grads)统计大量随机初始化下梯度的方差，方差越小表示梯度信号越弱。
  5. grad_of_local_cost只测量第一个比特的局部代价，梯度表达式中不再出现其余比特的衰减因子。
  6. print(f"{n}\t{gv:.3e}\t{lv:.3e}")用科学计数法打印两种方差的对比，你可观察到全局方差随 n 指数缩小，而局部方差几乎恒定。

常见误区

误区“训练曲线不动了，肯定是陷入局部极小值，我调大学习率、加点动量就能冲出去。”

正解贫瘠高原与局部极小值有本质区别：局部极小值至少存在一个“碗”，你知道自己在一个低洼处；贫瘠高原上整片区域几乎没有落差，无论学习率多大，梯度都接近零，参数根本无法获得有效更新方向。加大学习率只会让参数在原点附近做无意义的抖动。

为何常见：经典神经网络中训练停滞常由局部极小值或鞍点引起，人们容易把旧经验直接套到量子优化上，忽略了量子高维空间中“平坦”才是常态。

误区“我的量子神经网络有 20 个量子比特，表达能力更强，训练效果一定会比 5 比特的好。”

正解在随机初始化的深线路中，比特数越多，希尔伯特空间维度呈 2 的指数次增长，梯度方差按相同速度衰减。20 比特的 QNN 如果在全局代价下随机初始化，很可能从一开始就“听不到任何梯度”，效果反而不如浅层小比特线路。模型更大并不等于更可训练。

为何常见：经典深度学习中“更大模型 = 更强性能”的经验深入人心，但量子线路的优化难度随维度指数恶化，这不是增加参数能对冲的。

误区“既然梯度消失，那我就完全不用梯度，用 SPSA 或遗传算法搜索，问题不就解决了吗？”

正解梯度自由优化确实能在梯度微弱时维持搜索，但如果代价景观在极大区域内部完全平坦，函数值在不同参数下几乎相同，任何基于“多点采样比较”的无梯度算法也会失去筛选压力，退化为随机猜测。它只能缓解、不能根除贫瘠高原。

为何常见：看到 SPSA 等算法在部分实验中表现优异，容易放大其适用边界；忽略了无梯度方法同样依赖代价函数提供可区分的数值差异。

误区“局部代价函数只是把优化目标近似了一下，对贫瘠高原这种训练层面的问题影响不大。”

正解代价函数中的测量算子直接参与梯度表达式。全局算子把参数变化投影到指数多的方向上，梯度被冲淡；局域算子投影到少数方向上，梯度更集中。算子结构是决定梯度方差量级的第一性因素，绝非精度层面的小事。

为何常见：人们习惯把“损失函数选择”看作建模细节，却不知在变分量子算法中，代价算子同时决定了信息提取方式与优化景观的几何形状。

面试题

Q1. 贫瘠高原最直观的训练表现是什么？

单选题 · easy

  • A.损失函数值始终为负
  • B.梯度方差趋近于零← 正确答案
  • C.参数数量自动增加
  • D.量子比特数异常减少

答案：B。贫瘠高原的核心特征是损失函数地形变得极其平坦，梯度几乎处处为零，参数更新停滞。选项 A、C、D 都不是典型表现；梯度方差趋近于零正是“脚下无坡”的数学刻画。

Q2. 贫瘠高原中的“高原”比喻的是什么？

单选题 · easy

  • A.量子态能量持续升高
  • B.损失曲面极其平坦← 正确答案
  • C.参数取值越变越大
  • D.量子比特间距离拉大

答案：B。“高原”指损失函数曲面像高原一样平缓，没有明显落差，因此梯度信号消失。它不表示能量升高或参数变大，而是地形缺乏可导航的坡度。

Q3. 梯度方差随什么指标呈指数衰减？

单选题 · easy

  • A.训练轮次
  • B.学习率
  • C.量子比特数← 正确答案
  • D.测量次数

答案：C。梯度方差的数量级为 O(1/2^n)，其中 n 是量子比特数。每增加一个量子比特，方差约缩小一半。训练轮次、学习率、测量次数不是指数衰减的来源。

Q4. 下列哪项不是缓解贫瘠高原的常用策略？

单选题 · mid

  • A.层-wise 逐层训练
  • B.改用局部代价函数
  • C.增加线路的总深度← 正确答案
  • D.采用 SPSA 梯度自由优化

答案：C。增加线路深度会加剧 Haar 化随机性，使代价景观更平坦，因此是加重高原的因素。层-wise 训练、局部代价函数和 SPSA 都是常见的缓解手段。

Q5. 局部代价函数能缓解贫瘠高原的主要原因是？

单选题 · mid

  • A.局部测量显著降低了梯度方差
  • B.局部投影让梯度不被空间稀释← 正确答案
  • C.局部代价函数比全局更平滑
  • D.局部测量自动减少了量子比特数

答案：B。全局代价把变化投影到指数多的维度中，信号被冲淡；局部代价只投影少数比特方向，梯度方差从指数衰减提升为多项式衰减。B 的表述最接近本质，A 说反了方向。

Q6. 层-wise 训练的核心理念是什么？

单选题 · mid

  • A.一次性并行训练所有参数层
  • B.每次只训练一个区块并冻结其余层← 正确答案
  • C.每次重复使用同一批参数不更新
  • D.随机删除若干量子比特再训练

答案：B。层-wise 训练将深线路切成多个短区块，逐层解锁训练，其余层暂时冻结。这样每个训练阶段的有效线路深度很浅，梯度不会经过指数高维空间被稀释。

Q7. 哪些因素会加剧贫瘠高原的出现？

多选题 · mid

  • A.线路深度不断增加← 正确答案
  • B.全局强纠缠结构增强← 正确答案
  • C.使用局部代价函数
  • D.量子比特数量增大← 正确答案

答案：ABD。深度越大线路越接近随机 Haar 分布，全局纠缠加速信息混合，比特数增大使空间维度指数膨胀——三者都加剧高原。局部代价函数恰恰是缓解手段，因此不选。

Q8. 深度为 L 的变分线路中，梯度方差上界通常如何缩放？

单选题 · hard

  • A.与 L 的平方成正比增长
  • B.与 1/(2^n L^2) 成正比← 正确答案
  • C.与 L 的一次方成正比
  • D.与 1/√L 成正比

答案：B。深度增加会加剧随机化，方差受到比特数指数和深度平方的双重压制，量级约为 O(1/(2^n L^2))。其余选项要么方向错误，要么低估了深度的影响。

Q9. 下列哪些属于常用的梯度自由优化方法？

多选题 · hard

  • A.SPSA 随机近似← 正确答案
  • B.Nelder-Mead 单纯形← 正确答案
  • C.反向传播算法
  • D.进化策略 CMA-ES← 正确答案

答案：ABD。SPSA 用两点函数值差近似梯度方向，Nelder-Mead 用单纯形几何搜索，CMA-ES 用进化策略搜索参数——三者都不需要解析梯度。反向传播依赖梯度传播链式法则，不属于梯度自由方法。

Q10. 在可分离参数态的全局代价演示中，梯度方差随比特数如何衰减？

单选题 · extreme

  • A.正比于 (3/8)^(n-1)← 正确答案
  • B.正比于 (1/2)^(n-1)
  • C.正比于 1/n 的倒数
  • D.正比于 n 的平方

答案：A。由 Python 演示可推得全局梯度方差等于 (1/2)(3/8)^(n-1)，其中 (3/8) 来自 cos⁴θ 在均匀分布下的均值。B 项只反映了单比特投影的概率，C、D 均为多项式级，都与指数衰减的定量规律不符。