量子核方法：Projected量子核

可视化演示

展示Projected量子核四阶段流水线：经典数据经量子电路制备为量子态，Pauli算符投影测量提取期望值特征，经典端计算核矩阵，含复杂度对比与基准性能评估及粒子场背景动画。

全量子核困境

你受委托拍摄两位舞者的“量子探戈”，需要判断他们配合是否默契。全量子核的方案是：架起一台能捕捉所有细节的超高清摄像机，从每个角度连续录制完整视频——因为量子态的“姿态”分布在高维空间中，只有掌握所有分量的联合分布，才能精确估计两个量子态的相似度。这在数学上对应着对量子比特全部测量结果进行联合概率估计，而所需的采样组数会随比特数指数膨胀。拍了几千张“废片”后你会发现，胶卷和精力都告罄了，这才是全量子核真实的“拍摄成本”。

在量子机器学习中，全量子核通过量子电路对编码后的数据做内积估计。给定两个经典数据点 $\mathbf{x}_i$ 和 $\mathbf{x}_j$，先将其编码为量子态，再计算两个量子态的重叠程度，得到核矩阵元素：

问题在于，估计这个内积需要大量重复测量。设量子比特数为 $n$，完整估计联合概率分布所需的采样次数约为 $2^n$ 量级。每增加一个量子比特，采样成本翻倍，这就是“指数级”拍摄成本的含义。全量子核在理论上优雅，在实践中却像“扛着胶片摄像机跑马拉松”——思路正确，但根本跑不到终点。

投影设计思想

经验丰富的抓拍大师不会试图录制全部视频，而是先观察舞台环境，选定几个最能体现舞者风格的角度：正面拍眼神，侧面拍手臂线条，高处拍队形变换。Projected量子核的“投影设计”正是如此——它不是随机丢弃信息，而是有针对性地选择一组测量方向，把高维量子态中的关键信息“抓拍”下来，映射到一个低维的经典特征空间。

设编码后的量子态为 $|\psi(\mathbf{x})\rangle$，我们选定 $m$ 个投影基向量 $\{|\phi_j\rangle\}_{j=1}^{m}$，每个投影基对应一次独立的“抓拍”。得到的经典特征由如下投影公式给出：

把所有 $m$ 个分量拼起来，就得到经典特征向量 $\mathbf{z}(\mathbf{x}) = [z_1, z_2, \ldots, z_m]$。投影方向的选择既可以基于物理直觉（如泡利算符的某个组合），也可以基于数据分布来优化。就像摄影师通过调整光圈和机位来突出主体，好的投影方向能让后续分类任务事半功倍。

Projected核计算

照片拍好之后，摄影师回到工作室：冲洗底片、打印成册、把相册按主题归档。Projected量子核的计算流程正是这样一套“三步走”的固定工序：先让量子电路完成态编码，再执行投影测量得到经典特征，最后在经典计算机上完成核函数计算。这三步环环相扣，每一环都有独立的优化空间。

完整流程如下：第一步，将训练样本 $\mathbf{x}_i$ 通过编码电路制备为量子态；第二步，对量子态执行 $m$ 次投影测量，得到特征向量 $\mathbf{z}(\mathbf{x}_i)$；第三步，在经典特征空间里，用常见的经典核函数（如径向基核）计算两两相似度：

得到核矩阵 $K_{\text{proj}}$ 之后，就可以直接输入支持向量机（SVM）等经典核方法进行分类。这就像一个摄影工作室向杂志社交付“成品相册”——后续的编辑排版（分类器训练）完全在经典世界里进行，无需再打扰量子设备。

可扩展性优势

抓拍相比录制完整视频，最大的好处是省时省力：同样的拍摄任务，用更少的胶卷、更短的时间就能完成。Projected量子核的可扩展性优势正是体现在采样开销上。全量子核需要指数级的采样次数来估计联合概率分布，而投影量子核只需要测量 $m$ 个选定方向，采样次数降为多项式级。

两者的时间开销对比可以写成一个直观的公式：

这种复杂度上的“降维打击”，使得Projected量子核可以运行在中大规模量子设备上，即便只有十几个量子比特，也能在合理时间内完成核矩阵估计。对研究者和工程师来说，这就像从“专业电影摄制组”简化为“一支轻装街拍小队”——前者需要昂贵的器材和漫长的后期，后者只需要一台相机和一块备用电池。

信息损失权衡

抓拍照片虽然高效，但总会错过一些细节：舞者指尖的微颤、眼神的闪动、呼吸的节奏，这些“微表情”可能恰恰是判断默契程度的关键。Projected量子核同样面临信息损失的代价——投影操作把高维量子态压到低维经典特征空间，必然丢弃一部分方向上的信息。这种丢弃如果误伤了判别性特征，分类精度就会下降。

信息损失与分类误差之间的关系可以用一个风险上界来刻画。设 $h_m$ 是使用 $m$ 个投影方向训练得到的分类器，$h^*$ 是理想的全量子核分类器，则有：

这就是Projected量子核的“取舍之道”：投影数 $m$ 是一个调节旋钮，拧大一点，信息保留更多、精度更高，但采样时间也变长；拧小一点，速度飞快，但可能漏掉关键特征。实际使用中，通过交叉验证选定合适的 $m$，就像摄影师根据拍摄题材决定“连拍十张”还是“只拍一张”——拍得太多浪费存储，拍得太少则可能错过决定性瞬间。

基准实验评估

再好的摄影师也需要参加摄影比赛，用作品说话。Projected量子核同样需要在标准化基准数据集上接受检验，才能证明自己的实用价值。研究人员通常在多个公开数据集上，将Projected量子核与全量子核、经典SVM等方法进行对比，记录分类准确率和训练耗时两个核心指标。

实验评估的准确率定义如下：给定测试集 $\{(\mathbf{x}_i, y_i)\}_{i=1}^{N}$，分类器 $h$ 的正确率是预测标签与真实标签一致的比例：

典型实验中，投影量子核在糖尿病数据集上准确率达到 0.78，全量子核为 0.79，经典 SVM 为 0.75，但投影核的训练时间仅需要数秒，而全量子核需要数分钟甚至更久。在 Wine 数据集上，投影核准确率 0.96，已与全量子核的 0.97 非常接近。这些“擂台赛成绩”说明：只要投影方向选得巧，抓拍的照片完全可能赢得比赛，而且冲洗速度比对手快一个数量级。

AI 应用场景

Python 演示

import numpy as npfrom sklearn.svm import SVCfrom sklearn.datasets import make_classification  class ProjectedQuantumKernel:    def __init__(self, n_qubits=2, n_proj=6, gamma=1.0):        self.n_qubits = n_qubits        self.n_proj = n_proj        self.gamma = gamma        rng = np.random.RandomState(7)        dim = 2 ** n_qubits        self.proj_vectors = rng.randn(n_proj, dim)        self.proj_vectors /= np.linalg.norm(self.proj_vectors, axis=1,                                            keepdims=True)     def encode_state(self, X):        return X / (np.linalg.norm(X, axis=1, keepdims=True) + 1e-8)     def project(self, states):        return np.abs(np.dot(states, self.proj_vectors.T)) ** 2     def kernel(self, X1, X2):        sq = np.sum(X1 ** 2, axis=1, keepdims=True)        sq2 = np.sum(X2 ** 2, axis=1, keepdims=True)        dist2 = sq - 2 * np.dot(X1, X2.T) + sq2.T        return np.exp(-self.gamma * dist2)     def fit_predict(self, X_train, y_train, X_test):        f_train = self.project(self.encode_state(X_train))        f_test = self.project(self.encode_state(X_test))        K_train = self.kernel(f_train, f_train)        K_test = self.kernel(f_test, f_train)        clf = SVC(kernel='precomputed')        clf.fit(K_train, y_train)        return clf.predict(K_test)  def main():    X, y = make_classification(n_samples=120, n_features=4,                               n_informative=3, n_redundant=0,                               random_state=0)    X_train, y_train = X[:80], y[:80]    X_test, y_test = X[80:], y[80:]    model = ProjectedQuantumKernel(n_qubits=2, n_proj=8, gamma=2.0)    pred = model.fit_predict(X_train, y_train, X_test)    acc = np.mean(pred == y_test)    print('ProjectedQuantumKernel accuracy: {:.2f}'.format(acc))    print('projected features dim:', model.n_proj)  if __name__ == '__main__':    main()

1. self.proj_vectors /= np.linalg.norm(...)将投影方向归一化为单位向量，保证测量概率的物理意义正确。
2. def encode_state(self, X)幅度编码：把经典数据归一化为单位向量，模拟量子态制备。
3. return np.abs(np.dot(states, self.proj_vectors.T)) ** 2模拟投影测量，得到各方向上的测量概率。
4. dist2 = sq - 2 * np.dot(X1, X2.T) + sq2.T用矩阵运算快速计算所有样本对的欧氏距离平方。
5. K_train = self.kernel(f_train, f_train)在投影后的经典特征空间计算训练集核矩阵。
6. clf = SVC(kernel='precomputed')使用预计算核矩阵的 SVM，直接读取投影核的相似度结果。

常见误区

面试题