量子神经网络QNN：量子卷积网络QCNN

可视化演示

展示量子卷积网络的分层架构，包括量子卷积层酉变换、池化层测量降维以及与经典CNN的参数效率对比。切换模式查看不同维度，拖动滑块调节量子比特数。

基本思想 · 从滑窗到分身术

回到那块大砧板。经典大厨的“滑窗检查”有个天然瓶颈：食材越多，要看越多次。量子大厨的分身术却能“同时检查所有位置”。问题是，分身术如何变成能重复使用的菜谱？答案是把操作写成量子线路——像搭乐高积木，把一个个“量子门”拼接成固定的加工流水线。

QCNN 与经典 CNN 一一对应：卷积层扫出局部特征，对应量子线路中用“双比特酉门”把相邻比特的信息搅在一起；池化层缩小特征图，对应测量部分量子比特并丢弃；最后的全连接分类层，对应末端比特的测量读数。整条线路端到端可训练，所有参数就是各个旋转门的角度。

整条线路可写成卷积与池化交替作用的形式：$V_l(\theta_l)$ 是参数化酉门组成的卷积层，$P_l$ 是测量并丢弃比特的池化层。从右往左看，就是“先卷积、再池化、再卷积、再池化”的循环。需要说明的是，这一写法是示意性的——测量使整体不再是酉变换，而是更一般的量子通道。

于是量子厨房的流水线搭好了：每经过一轮“魔法烹饪加浓缩”，砧板上的食材（比特数）就少一半，精华却被完整保留。最后大厨只需尝一勺浓缩汤，就能拍板整道菜的归属——这就是 QCNN 的整体工作方式。

量子卷积 · 魔法保鲜术

大厨的魔法保鲜术有一条铁律：真正的“烹饪”绝不能把营养成分弄丢——要么原样保留，要么优雅地重组。在量子世界里，这条铁律的名字叫酉变换。只要是可逆、不损失信息的量子操作，都必须是酉矩阵。

经典卷积核是一个数字矩阵，乘到图像上提取边缘、纹理；量子卷积核是一个酉矩阵 $U$，作用在相邻的量子比特对上，把二者的信息“搅”成新的叠加态。关键在于酉矩阵满足 $U^\dagger U = I$，就像魔法保鲜术承诺的“营养守恒”：态矢量的长度不变，信息永不消失，只是被重新组合。

最常用的量子卷积核是参数化双比特门。每个角度 $\theta$ 就是一个可训练参数。把同一个门作用在砧板（寄存器）的每一对相邻比特上，就实现了经典卷积核“滑动窗口”的效果，也天然带来了平移不变性——无论特征出现在画面角落还是中央，都能被同样的“味觉”捕捉到。

就像大厨的每一勺取样都遵循同一把勺子（同一参数门），平移不变性让 QCNN 无论特征在哪都能识别。而“营养守恒”的酉变换，保证了卷积过程不会偷工减料。

量子池化 · 浓缩精华汤

浓汤做好后，大厨不会把整锅端给食客——他先舀出一小杯精华，其余倒掉。量子池化就是这个“舀汤倒水”的动作：对部分量子比特执行测量，然后放弃它们。

测量的数学规则叫 Born 规则：测得某个结果 $m$ 的概率等于……一旦测量发生，叠加态就“坍缩”到对应的分支上，被测量比特的信息不可逆地丢失——这正是我们想要的降维，因为剩下的比特只携带最浓缩的“精华”。

实践中池化有两种常见做法：直接测量后丢弃（硬池化）；或者根据测量结果对相邻保留比特做条件旋转（软池化，类似经典 CNN 的最大池化）。无论哪种，数学上都等价于对被丢弃的子系统做部分求迹 $\rho_{\text{out}} = \mathrm{Tr}_{\text{disc}}(\rho_{\text{in}})$。

大厨每“倒掉”一半汤，锅里的信息就浓缩一分；几次之后，满满一锅食材变成一汤匙大小的精华——这就是 QCNN 能在最后只用一个量子比特读出分类结果的秘密。

数据编码 · 翻译成量子语

量子大厨只听得懂“量子语”。经典世界的像素数值，在进厨房之前必须翻译成量子态的语言——这一步叫数据编码。

最简单的翻译是角度编码：把每个特征值 $x_i$ 当作旋转角度，作用一个 $R_y$ 旋转门在对应的量子比特上。比如一张 28×28 的手写数字图有 784 个像素，就准备 784 个量子比特（或先降维再编码），每个像素的灰度值被归一化后变成对应比特的旋转角。

更极致的是振幅编码：用 $2^n$ 个复振幅去装载 $n$ 个特征值，理论上指数级紧凑。但制备这样的态需要精心设计的线路，在含噪设备上代价高昂，优化也更容易陷入“贫瘠高地”。所以目前 QCNN 的主流仍是角度编码加可训练的特征映射线路。

就像大厨把文字菜谱翻译成自己熟悉的操作手势，角度编码把像素数值翻译成旋转角度。翻译得越贴切，后面的魔法烹饪越能发挥威力。

典型应用 · 两道拿手菜

量子厨房有两道招牌菜：一道是“图像分类”，一道是“量子相变识别”。前者面向经典世界，后者面向量子世界。

图像分类中，QCNN 把图片像素编码成量子态，线路末端读出比特的测量概率就是各类别的置信度。训练时用交叉熵损失衡量预测与标签的差距，再用优化器更新各个旋转门的参数。在 MNIST 子集等简单任务上，QCNN 已能逼近经典 CNN 的精度。

量子相变识别则是“天作之合”：输入数据本身就是量子态（比如材料在临界点附近的基态），不需要编码翻译，直接让 QCNN 线路作用上去，用测量结果判断物质处于有序相还是无序相。这是经典 CNN 很难替代的场景——经典模型需要先做代价高昂的量子态重构，而 QCNN 可以“近水楼台先得月”。

大厨的这两道拿手菜，一道把“看得见的像素”翻译成量子味觉，一道直接品尝“量子食材”本尊。尤其后者，让 QCNN 在凝聚态物理中成了名副其实的“量子品酒师”。

经典对比 · 一勺顶十锅

食客总会问：量子大厨费这么大劲，到底比普通大厨强在哪？答案藏在“一勺顶十锅”——参数效率。经典 CNN 的参数数量随输入尺寸线性甚至平方增长；而 QCNN 因为卷积层共享参数、池化层每层比特减半，线路深度只随比特数对数增长。

当然，“少而精”不等于“必然赢”。表达能力上，QCNN 在浅层就能产生高度纠缠的特征表示，理论上可表达复杂非线性模式；但当前的 NISQ（含噪中等规模量子）硬件噪声大、比特少，实际精度未必反超经典 CNN。训练方面，随机初始化容易遇到“贫瘠高地”——梯度像沙漠一样平，优化器寸步难行。部署上更现实的做法是经典预处理加量子线路的混合推理。量子大厨的优势值得期待，但厨房设备还在装修期；对今天的数据工程师来说，与其奢求全面超越经典，不如先在“量子食材”最丰富的物理场景里，尝到第一口甜头。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-# QCNN 教学演示: 3 量子比特振幅向量模拟 + 随机搜索训练import cmathimport mathimport random  def apply_ry(state, k, theta):    # Ry(theta) 单比特酉门    n = len(state).bit_length() - 1    mask = 1 << k    c, s = math.cos(theta / 2.0), math.sin(theta / 2.0)    for i in range(1 << n):        if (i & mask) == 0:            j = i | mask            a, b = state[i], state[j]            state[i] = c * a - s * b            state[j] = s * a + c * b  def apply_rzz(state, a, b, theta):    # Rzz(theta) 纠缠门: 按两比特奇偶性施加相位    n = len(state).bit_length() - 1    ma, mb = 1 << a, 1 << b    for i in range(1 << n):        phase = -theta / 2.0 if (i & ma) and (i & mb) else theta / 2.0        state[i] *= cmath.exp(1j * phase)  def measure_zero(state, k):    # 测量比特 k 并投影到 |0>, 返回概率    n = len(state).bit_length() - 1    mask = 1 << k    prob = 0.0    for i in range(1 << n):        if (i & mask) == 0:            prob += abs(state[i]) ** 2    if prob < 1e-12:        return None    scale = 1.0 / math.sqrt(prob)    for i in range(1 << n):        state[i] = state[i] * scale if (i & mask) == 0 else 0.0    return prob  def prob_zero(state, k):    # 读出概率 P(比特 k = 0)    n = len(state).bit_length() - 1    mask = 1 << k    return sum(abs(state[i]) ** 2 for i in range(1 << n) if (i & mask) == 0)  def qcnn_forward(x1, x2, conv, mid, read):    # 一条迷你 QCNN: 编码 -> 卷积 -> 池化 -> 读出    n = 3    state = [0j] * (1 << n)    state[0] = 1.0 + 0j    apply_ry(state, 0, x1)          # 角度编码: x1 -> 旋转角    apply_ry(state, 1, x2)          # 角度编码: x2 -> 旋转角    apply_rzz(state, 0, 1, conv)    # 量子卷积: 纠缠相邻比特    apply_rzz(state, 1, 2, conv)    # 量子卷积: 共享参数    if measure_zero(state, 1) is None:        return 0.5                  # 池化坍缩后概率为 0    apply_ry(state, 0, mid)         # 池化后中间旋转    apply_ry(state, 0, read)        # 读出层旋转    return prob_zero(state, 0)      # 得分 = P(比特0 = 0)  def main():    random.seed(2024)    samples = []    for _ in range(24):        x = random.uniform(-1.0, 1.0)        y = random.uniform(-1.0, 1.0)        label = 1.0 if x * x + y * y < 0.55 else 0.0        samples.append((x, y, label))    best_ac, best_c, best_m, best_r = 0.0, 0.0, 0.0, 0.0    for _ in range(1000):        conv = random.uniform(-math.pi, math.pi)        mid = random.uniform(-math.pi, math.pi)        read = random.uniform(-math.pi, math.pi)        hit = 0        for x, y, label in samples:            p = qcnn_forward(x, y, conv, mid, read)            if (p >= 0.5) == (label >= 0.5):                hit += 1        acc = hit / float(len(samples))        if acc > best_ac:            best_ac, best_c, best_m, best_r = acc, conv, mid, read    print("best accuracy = %.3f" % best_ac)    print("conv=%.3f mid=%.3f read=%.3f" % (best_c, best_m, best_r))  if __name__ == "__main__":    main()

1. state = [0j] * (1 << n)把 $2^n$ 个复数振幅全部初始化为 0
2. state[0] = 1.0 + 0j线路从全 0 基态 |000⟩ 出发
3. apply_ry(state, 0, x1)角度编码：把第一个特征值变成比特 0 的旋转角
4. apply_rzz(state, 0, 1, conv)量子卷积：让相邻比特 0 和 1 产生纠缠
5. if measure_zero(state, 1) is None:量子池化：测量比特 1 并让它“下线”
6. apply_ry(state, 0, read)读出层：对幸存比特做最后一次旋转
7. return prob_zero(state, 0)以比特 0 测得 0 的概率作为分类得分
8. label = 1.0 if x * x + y * y < 0.55 else 0.0构造“圆内圆外”二分类数据集

常见误区

面试题