想象一位传奇的“量子大厨”。普通大厨做新菜，要先研究大量菜谱、记住每种食材的常规搭配，再一道菜一道菜地尝试——这就是经典生成模型的思路：把数据分布当成菜谱，把生成样本当成做菜。而量子大厨完全不同，他有三样魔法：可以在同一时刻“尝遍”所有食材可能搭配出的无穷风味（量子叠加）；让主菜、配菜、香料之间产生神秘呼应（量子纠缠）；还能利用工序间相互干涉，把最佳风味放大到极致（量子干涉）。量子生成模型，就是邀请这样一位大厨来替 AI 造数据。 在量子大厨的厨房里，有三种招牌创作法：量子 Born 机器凭灵感“直接出菜”，量子 GAN 让大厨与挑剔的评论家反复过招，量子变分自编码器则从名菜中提炼“核心配方”再还原新菜。这篇文章就从这位大厨的厨房开始，一步步拆解量子生成模型是什么、凭什么厉害、怎么训练、以及距离真正上桌还有多远。

岗位关联

对 AI 从业者来说，看懂量子生成模型等于提前了解下一代生成式 AI 的底层逻辑——当经典生成模型遭遇算力瓶颈时，量子路线可能是突破天花板的钥匙。

目录
  1. 可视化演示
  2. 生成模型基础——从菜谱到创作
  3. 量子优势密码——大厨的三样魔法
  4. 量子Born机器——灵感直出
  5. 量子对抗GAN——大厨与评论家
  6. 量子变分自编码器——核心配方
  7. 混合计算架构——灶台与账房
  8. 采样效率对比——上菜速度之争
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示量子Born机器(QCBM)通过参数化量子线路U(θ)生成Born分布、量子GAN(QGAN)生成器G_θ与判别器D_φ的对抗博弈、以及量子VAE(QVAE)编码器q_φ→潜在z→解码器p_θ的ELBO优化三大量子生成范式。

本节配有交互动效（进入视口后自动加载，约 3KB）。

量子Born机器(QCBM) 参数化量子线路U(θ)作用在|0⟩上制备量子态|ψ(θ)⟩，测量产生Born分布P(x)=|⟨x|ψ⟩|² 通过KL散度最小化P_θ与P_data的距离，单次线路执行并行访问2^n维空间 P(x)=|⟨x|U(θ)|0⟩|², L=KL(P_data||P_θ) Born机器直接生成量子概率分布，无需显式概率建模

生成模型基础——从菜谱到创作

打算开餐厅的学徒，第一步往往是吃遍全城名店，记下每道菜被点的频率——鱼香肉丝点得多，松露鹅肝点得少——这份“点单频率表”就是数据分布。然后他照着频率尝试做新菜，尽量让客人觉得“和名店差不多”。经典生成模型做的事本质一样：从海量样本中学习概率分布，再从该分布采样生成新数据。图像生成、文本续写、分子设计背后都是这个逻辑。但学徒很快会发现，真实世界的菜谱维度极高，“点单频率表”厚到翻不完，用纸笔无法完整记录所有组合。

模型希望让参数化的分布 \( P_{\theta}(x) \) 去逼近真实数据分布 \( P_{data}(x) \)，常用 KL 散度来衡量两者的差距：

经典学徒的菜谱写满纸页时，高维组合已经超出人脑；而量子大厨的“菜谱”存放方式完全不同——不是厚厚的本子，而是叠加态，一页纸便装下所有风味组合。这正是下一节的三样魔法。

KL(Pdata∥Pθ)=∑xPdata(x)log⁡Pdata(x)Pθ(x)\displaystyle KL(P_{data} \parallel P_{\theta}) = \sum_{x} P_{data}(x) \log \frac{P_{data}(x)}{P_{\theta}(x)}
KL 散度越小，说明模型分布与真实分布越接近；它像“菜品差距评分表”，每道菜都打分再加总。
  1. 真实数据分布\( P_{data}(x) \) 表示真实数据中样本 x 出现的概率，相当于餐厅里顾客爱吃某道菜的真实频率。
    Pdata(x)P_{data}(x)
  2. 模型分布\( P_{\theta}(x) \) 是生成模型给出的猜测概率，由可训练参数 θ 调整，相当于学徒自创菜谱的推荐度。
    Pθ(x)P_{\theta}(x)
  3. 概率比值两者相除，等于 1 表示完美复刻，大于 1 表示模型高估了这道菜的热度。
    Pdata(x)Pθ(x)\frac{P_{data}(x)}{P_{\theta}(x)}
  4. 对数运算取对数后惩罚会被非对称放大——模型给真实菜品打了极低概率时会受到巨大惩罚。
    log⁡Pdata(x)Pθ(x)\log \frac{P_{data}(x)}{P_{\theta}(x)}
  5. 全局求和遍历所有菜品（样本），把每道菜的差距累加起来，得到模型与真实世界的总偏离量。
    ∑xPdata(x)log⁡Pdata(x)Pθ(x)\sum_{x} P_{data}(x) \log \frac{P_{data}(x)}{P_{\theta}(x)}

量子优势密码——大厨的三样魔法

量子大厨有三样让学徒目瞪口呆的魔法：一是同时把一百种调料含在嘴里，感受所有配比的风味（叠加）；二是摆盘时主菜与配菜像被看不见的绳子牵着，一动俱动（纠缠）；三是改变烧菜顺序，让某些香气互相增强、另一些彼此抵消（干涉）。对应到量子计算：叠加让量子比特同时处于 0 和 1，纠缠让多个比特之间产生经典比特无法复制的关联，干涉则让正确计算的振幅互相加强。量子生成模型的表达能力，根植于此三样。

n 个量子比特的含参量子态可以写作：

量子大厨的“灵感配方”就是这样一叠振幅——平时全部叠加在头脑里，一旦需要采样，就按振幅平方随机“脱口而出”一道菜。这正是下一节 Born 机器的工作方式。

∣ψ(θ)⟩=∑i=02n−1αi∣i⟩,∑i=02n−1∣αi∣2=1\displaystyle |\psi(\theta)\rangle = \sum_{i=0}^{2^n-1} \alpha_i |i\rangle, \qquad \sum_{i=0}^{2^n-1} |\alpha_i|^2 = 1
这个式子说明：量子大厨的“灵感配方”不是一张张分开写好的菜谱，而是同时叠在所有可能性之上的一束复振幅。
  1. 含参量子态\( |\psi(\theta)\rangle \) 是参数 θ 控制的量子态，像大厨当前脑中的整体灵感状态。
    ∣ψ(θ)⟩|\psi(\theta)\rangle
  2. 计算基态\( |i\rangle \) 是计算基，i 从 0 到 2ⁿ−1，对应所有可能的“完整菜品组合”。
    ∣i⟩|i\rangle
  3. 复数振幅\( \alpha_i \) 是每个基态的复数振幅，像每种菜品组合在灵感中的“权重”。
    αi\alpha_i
  4. 叠加求和把所有基态按振幅加权叠加，得到同时包含所有可能性的态。
    ∑i=02n−1αi∣i⟩\sum_{i=0}^{2^n-1} \alpha_i |i\rangle
  5. 归一化条件振幅平方和为 1，保证测量时必定得到某个基态，大厨不会超出菜单。
    ∑i=02n−1∣αi∣2=1\sum_{i=0}^{2^n-1} |\alpha_i|^2 = 1

量子Born机器——灵感直出

量子大厨最拿手的快菜做法是：闭眼凝神三秒，让灵感在脑海里叠加成型，然后一拍案板——“这道菜，上！”。整个过程没有复杂的步骤，反复拍案，就能得到一桌风格统一的宴席。这就是量子 Born 机器（Quantum Born Machine）。它由参数化量子线路构成，线路参数 θ 控制量子态演化，最终制备目标态 \( |\psi(\theta)\rangle \)，再通过测量直接从量子态采样，不需要显式构造概率表。

Born 规则是采样的数学基础：

Born 机器胜在“直出”——它天生表达高维联合分布，菜品种类再多也只需 n 个量子比特。但它同样面临训练难题：想让灵感配方不断朝目标分布修正，可以请经典账房先生在场外帮忙优化（第 6 节），也可以请来最挑剔的评论家逼大厨进步（第 4 节）。

Pθ(x)=∣⟨x∣ψ(θ)⟩∣2\displaystyle P_{\theta}(x) = \left| \langle x | \psi(\theta) \rangle \right|^2
这句话翻译成白话：某种测量结果出现的概率，等于量子态在该结果方向上的“投影长度”的平方。
  1. 参数化量子态\( |\psi(\theta)\rangle \) 由量子线路 U(θ) 制备，像大厨闭眼凝神形成的“灵感配方”。
    ∣ψ(θ)⟩|\psi(\theta)\rangle
  2. 内积投影\( \langle x | \psi(\theta) \rangle \) 是量子态在基态 \( |x\rangle \) 上的投影，衡量这道菜与模板菜 x 的匹配度。
    ⟨x∣ψ(θ)⟩\langle x | \psi(\theta) \rangle
  3. Born 规则概率等于振幅模长的平方，把复数振幅变成真实的概率。
    ∣⟨x∣ψ(θ)⟩∣2|\langle x | \psi(\theta) \rangle|^2
  4. 重复测量多次重复测量可获得样本集合，这些样本天然服从分布 \( P_{\theta}(x) \)。
    Pθ(x)=∣⟨x∣ψ(θ)⟩∣2P_{\theta}(x) = |\langle x | \psi(\theta) \rangle|^2

量子对抗GAN——大厨与评论家

量子大厨旁边坐着一位毒舌美食评论家，每上一道菜就举牌：“真”或“假”。大厨刚开始总是被揭穿，但他一边听反馈一边改进；评论家也在进步，越来越难被骗。最终，大厨做出来的菜让评论家频频看走眼。这就是生成对抗网络（GAN）的精髓。量子生成对抗网络（QGAN）中，生成器是一个参数化量子线路，输入噪声 z（来自经典随机源），输出量子态并测量生成样本；判别器既可以用经典神经网络，也可以用量子线路。

对抗训练的损失函数为：

在 QGAN 中，大厨在量子高维空间里可以同时尝到多种“菜品假设”，评论家的反馈则通过经典优化器传回，指导大厨调整线路参数。两者博弈到最后，量子大厨的“假菜”已能以假乱真。

min⁡Gmax⁡DV(D,G)=Ex∼pdata[log⁡D(x)]+Ez∼p(z)[log⁡(1−D(G(z)))]\displaystyle \min_{G} \max_{D} V(D,G) = \mathbb{E}_{x \sim p_{data}}[\log D(x)] + \mathbb{E}_{z \sim p(z)}[\log(1 - D(G(z)))]
这是一个“猫鼠游戏”目标：判别器 D 努力分辨真假，生成器 G 努力以假乱真，双方博弈到最后达到纳什均衡。
  1. 生成器 G\( G(z) \) 把噪声 z 变成一道“菜”，初期粗糙，越练越像。
    G(z)G(z)
  2. 判别器 D\( D(x) \) 输出 0 到 1 之间的真伪分数，1 代表“确信是真菜”。
    D(x)D(x)
  3. 真样本期望\( \mathbb{E}_{x \sim p_{data}}[\log D(x)] \) 鼓励判别器给真实菜品高分。
    Ex∼pdata[log⁡D(x)]\mathbb{E}_{x \sim p_{data}}[\log D(x)]
  4. 假样本期望\( \mathbb{E}_{z \sim p(z)}[\log(1 - D(G(z)))] \) 鼓励判别器识破假菜，同时推动生成器改进。
    Ez∼p(z)[log⁡(1−D(G(z)))]\mathbb{E}_{z \sim p(z)}[\log(1 - D(G(z)))]
  5. 极小极大博弈判别器最大化 V，生成器最小化 V，两者相互制衡直至均衡。
    min⁡Gmax⁡DV(D,G)\min_{G} \max_{D} V(D,G)

量子变分自编码器——核心配方

量子大厨并不总是靠对抗来提升手艺。他还有一种安静而深邃的创作法：从几十道招牌菜中提炼出“菜系配方”，比如川菜 = 麻辣鲜香底 + 脆嫩口感，然后只用这几味核心配方，就能变化出无穷新菜。这个“核心配方”就是潜变量。变分自编码器（VAE）由编码器与解码器构成：编码器把高维样本 x 压缩成低维潜变量 z，解码器从 z 重构出 x。量子变分自编码器（QVAE）中，“压缩”和“重构”都由参数量子线路实现，潜变量也可用量子态表示。

其损失函数由重构项与正则项组成：

量子版本的核心优势是：潜变量空间由量子比特构造，叠加态允许“一份配方同时探索多种解释”——相当于量子大厨脑中同时住着川、粤、鲁、淮四个菜系的师傅，择优融合。

L(ϕ,θ)=Eqϕ(z∣x)[log⁡pθ(x∣z)]−KL(qϕ(z∣x)∥p(z))\displaystyle \mathcal{L}(\phi, \theta) = \mathbb{E}_{q_{\phi}(z|x)}[\log p_{\theta}(x|z)] - \mathrm{KL}(q_{\phi}(z|x) \| p(z))
简单理解：既要让做出来的菜和原菜足够像（重构项），又要让配方别太离谱、符合常规（正则项）。
  1. 编码器分布\( q_{\phi}(z|x) \) 表示从一道菜 x 提取配方 z 的分布，由参数 φ 控制。
    qϕ(z∣x)q_{\phi}(z|x)
  2. 解码器分布\( p_{\theta}(x|z) \) 表示从配方 z 还原出菜品 x 的分布，由参数 θ 控制。
    pθ(x∣z)p_{\theta}(x|z)
  3. 重构项\( \mathbb{E}_{q_{\phi}(z|x)}[\log p_{\theta}(x|z)] \) 衡量还原出的菜和原菜有多像，越像越好。
    Eqϕ(z∣x)[log⁡pθ(x∣z)]\mathbb{E}_{q_{\phi}(z|x)}[\log p_{\theta}(x|z)]
  4. 正则项\( \mathrm{KL}(q_{\phi}(z|x) \| p(z)) \) 让配方分布贴近先验，防止配方走上极端。
    KL(qϕ(z∣x)∥p(z))\mathrm{KL}(q_{\phi}(z|x) \| p(z))
  5. 总目标最大化重构相似度、最小化配方偏离度，两者权衡得到总损失。
    L(ϕ,θ)\mathcal{L}(\phi, \theta)

混合计算架构——灶台与账房

厨房里总有两位角色：大厨负责颠锅炒菜，账房先生负责记账、算成本、微调进货量。量子大厨再神通广大，也离不开账房先生帮他记录每轮效果、决定下一轮改进方向。这就是量子-经典混合架构的日常。当前量子设备仍不能独立完成复杂优化，因此训练量子生成模型普遍采用混合架构：量子处理器负责态制备与采样，经典计算机负责计算损失、更新参数。

参数更新遵循经典的梯度下降法则：

一位好的大厨必然有一套高效账本。量子生成模型的落地，依赖经典侧“账房先生”的优化算法和量子侧“灶台”的保真度共同进步。这也解释了为何当前应用多为混合方案。

θ(t+1)=θ(t)−η∇θL(θ)\displaystyle \theta^{(t+1)} = \theta^{(t)} - \eta \nabla_{\theta} \mathcal{L}(\theta)
这是所有量子生成模型训练共用的“账房公式”：每轮按损失函数的负梯度方向调整参数，步子大小由学习率 η 决定。
  1. 当前参数\( \theta^{(t)} \) 是第 t 轮迭代时量子线路的参数，像账房先生记下的当前调料用量。
    θ(t)\theta^{(t)}
  2. 损失函数\( \mathcal{L}(\theta) \) 量化当前大厨手艺与目标之间的差距。
    L(θ)\mathcal{L}(\theta)
  3. 梯度方向\( \nabla_{\theta} \mathcal{L}(\theta) \) 指出参数应朝哪个方向调整才能减少损失。
    ∇θL(θ)\nabla_{\theta} \mathcal{L}(\theta)
  4. 学习率\( \eta \) 是调整步伐，太大可能手抖放多盐，太小则改得太慢。
    η\eta
  5. 迭代更新每轮沿负梯度方向更新参数，再回到量子线路重新采样，循环往复直到满意。
    θ(t+1)=θ(t)−η∇θL(θ)\theta^{(t+1)} = \theta^{(t)} - \eta \nabla_{\theta} \mathcal{L}(\theta)

采样效率对比——上菜速度之争

量子大厨和经典学徒最终举办了一场打擂：看谁先把一桌覆盖全部风味层的宴席呈上。经典学徒每道菜要单独起锅，量子大厨则同时在脑中“预演”几十道菜，再一次性端出。这就是采样效率的隐喻。量子优势的核心之一在于态空间维度：

从理论优势到实用仍有关卡：真实量子芯片存在测量噪声和退相干，要用 M 次测量估计分布时统计误差约 \( 1/\sqrt{M} \)，多次测量的成本会抵消部分理论优势。目前量子大厨尚在“理论厨艺远高于实操稳定”的阶段。不同方法各有胜场：Born 机结构最简洁，QGAN 适合对抗生成复杂分布，QVAE 适合带潜变量结构的数据。选择哪套取决于菜品（数据）和厨房硬件（量子设备）。

d=2n,∣ψ⟩∈C2n\displaystyle d = 2^n, \qquad |\psi\rangle \in \mathbb{C}^{2^n}
n 个量子比特描述 2ⁿ 维分布，这意味着量子生成模型可能用较小的物理资源表达极大组合空间。
  1. 量子比特数n 表示量子线路使用的比特个数，像大厨可同时调动的“风味维度”。
    nn
  2. 指数维度系统的有效状态维度 d = 2ⁿ，随比特数指数增长。
    d=2nd = 2^n
  3. 复态空间\( \mathbb{C}^{2^n} \) 表示量子态落在 2ⁿ 维复向量空间中，表达能力远超经典概率表。
    ∣ψ⟩∈C2n|\psi\rangle \in \mathbb{C}^{2^n}

AI 应用场景

分子构象分布生成

阶段：数据增强与分布学习

解决的问题：经典生成模型难以刻画分子三维构象中大量原子间的高维关联，采样效率低。量子生成模型用叠加态编码多原子关联，可直接采样候选构象，把“量子大厨的灵感”用于发现新颖分子骨架。

具体案例：研究团队用 QGAN 生成小分子三维构象，再用经典打分函数评估结合能。量子线路负责探索高维构象空间，经典计算负责筛选打分，二者配合显著扩展了候选分子库。

金融资产收益率情景模拟

阶段：风险模拟与数据合成

解决的问题：金融时间序列呈现尖峰厚尾和高阶相关性，经典模型常低估极端情景概率。量子生成模型能拟合非高斯联合分布，为压力测试补充“稀有但致命”的市场脚本。

具体案例：QVAE 将市场状态压缩为潜变量，再解码生成极端行情场景。量子潜空间的叠加特性让模型同时探索多种市场解释，比经典 VAE 更擅长刻画尾部风险。

图像生成的原型验证

阶段：模型验证与算法对比

解决的问题：需要在小规模标准数据集上对比量子生成模型与经典 CNN/VAE 的差距，验证量子采样的表达能力。

具体案例：在量子模拟器上实现 QGAN 生成手写数字，与经典 GAN 对比 FID 分数，检验量子线路对低维图像分布的拟合能力，为后续真实量子芯片实验打基础。

Python 演示

python54 行
import numpy as np def ry(theta):    """单量子比特旋转门 RY(theta) 的矩阵表示"""    cos_t = np.cos(theta / 2)    sin_t = np.sin(theta / 2)    return np.array([[cos_t, -sin_t], [sin_t, cos_t]])  def born_distribution(theta1, theta2):    """2 个量子比特的 Born 分布 P(x) = |<x|psi>|^2"""    zero = np.array([1.0, 0.0])    state1 = ry(theta1) @ zero    state2 = ry(theta2) @ zero    psi = np.kron(state1, state2)    return np.abs(psi) ** 2  def target_distribution():    """目标分布：模拟真实数据分布（双峰偏好）"""    return np.array([0.15, 0.35, 0.35, 0.15])  def kl_divergence(p, q):    """KL 散度：衡量模型分布 q 与目标分布 p 的差距"""    q = np.clip(q, 1e-12, None)    return float(np.sum(p * np.log(p / q)))  def train(steps=200, lr=0.1):    """用数值梯度训练量子 Born 机，拟合目标分布"""    theta1, theta2 = 0.6, 1.4    target = target_distribution()    eps = 1e-6    for step in range(steps):        p = born_distribution(theta1, theta2)        loss = kl_divergence(target, p)        dp_dt1 = (born_distribution(theta1 + eps, theta2) -                  born_distribution(theta1 - eps, theta2)) / (2 * eps)        dp_dt2 = (born_distribution(theta1, theta2 + eps) -                  born_distribution(theta1, theta2 - eps)) / (2 * eps)        grad1 = -np.sum(target / p * dp_dt1)        grad2 = -np.sum(target / p * dp_dt2)        theta1 -= lr * grad1        theta2 -= lr * grad2        if step % 50 == 0:            print("step {}: KL = {:.4f}".format(step, loss))    return theta1, theta2, born_distribution(theta1, theta2)  if __name__ == "__main__":    theta1, theta2, learned = train()    print("学习到的分布: {}".format(list(np.round(learned, 3))))    print("目标分布:     {}".format(list(target_distribution())))
目的：用 numpy 模拟一个 2 量子比特的量子 Born 机器，通过数值梯度训练参数，让模型分布逼近目标双峰分布。
  1. state1 = ry(theta1) @ zero对第一个量子比特施加 RY 旋转门，相当于大厨为第一味调料设定初始灵感。
  2. psi = np.kron(state1, state2)用张量积合成两比特量子态，让两种“风味”进入同一个叠加空间。
  3. return np.abs(psi) ** 2Born 规则：概率等于振幅模平方，这是量子采样与经典采样的根本分界。
  4. loss = kl_divergence(target, p)计算模型分布和目标分布的 KL 差距，相当于给大厨的菜打“差距分”。
  5. dp_dt1 = (born_distribution(theta1 + eps, theta2) - ... ) / (2 * eps)用中心差分估计损失对 θ₁ 的梯度。
  6. grad1 = -np.sum(target / p * dp_dt1)链式法则把 KL 损失对概率的导数传递到线路参数。
  7. theta1 -= lr * grad1账房先生按负梯度方向更新参数，完成一轮“经典优化”。
  8. if __name__ == "__main__":脚本被直接运行时执行训练，模块被导入时则跳过。

常见误区

误区入门者容易认为量子生成模型在样本质量、训练速度上都完胜经典模型，应该马上全面切换。

正解目前量子生成模型的优势大多停留在理论层面，且通常在理想假设下成立。真实量子硬件有噪声、退相干和测量误差，训练大型分布还会遇到贫瘠高原（Barren Plateau）问题。量子大厨厨艺理论再高，厨房设备漏气烧糊菜还是不行。

为何常见：媒体常强调“量子霸权”“指数加速”，让人忽略了当前硬件水平和混合架构中经典环节的瓶颈。

误区认为把经典 GAN 的生成器换成量子线路就能直接工作，其他部分原样保留。

正解量子生成器需要精心设计参数化线路、数据编码方式；梯度计算要用参数平移规则而非经典反向传播；判别器本身也会受线路噪声影响。把经典神经网络换成量子线路只是第一步，整个训练生态都要重新适配。

为何常见：GAN 的对抗框架太直观，容易让人以为“换引擎”就万事大吉。

误区以为 Born 机器天生就能对任意分布采样，只要准备好量子态再测量就行。

正解量子态的参数必须经过大量迭代优化才能拟合目标分布。训练过程同样要计算损失和梯度，且测量输出需要多次统计才能得到稳定的分布估计。灵感再强也要反复试菜。

为何常见：“直接采样”四个字让人误以为省去了学习过程，实际只是省去了显式概率建模。

误区把理论上的采样复杂度优势等同于实际运行时间一定更快。

正解量子优势体现在查询/采样复杂度上，而墙钟时间还包含编译开销、线路执行时间和测量统计量。测量引入的随机性需要大量样本来平滑，噪声环境下优势可能被完全抵消。

为何常见：人们习惯把“复杂度低”直接翻译成“跑得快”，忽略工程实现中的各种开销。

误区认为未来经典生成模型会被量子生成模型淘汰。

正解更可能的前景是混合互补：经典模型负责数据处理、优化和预处理，量子模型在特定结构分布上发挥叠加优势。经典大厨和量子大厨各自擅长不同菜系，未来是双厨联动的厨房。

为何常见：技术叙事喜欢“替代论”，但现实中新技术通常与旧技术长期共存、分工协作。

面试题

Q1. 量子生成模型主要利用量子力学的哪些特性来生成数据分布？

单选题 · easy

  • A.量子叠加与纠缠← 正确答案
  • B.相对论与引力场
  • C.经典波动与热传导
  • D.黑洞与时间膨胀

答案：A。量子生成模型的核心资源是叠加与纠缠。叠加让大厨同时品尝所有食材组合，纠缠让多维数据之间产生经典比特无法复制的关联。相对论、引力、热传导都与量子生成模型无关。

Q2. 量子 Born 机器获取生成样本的关键步骤是什么？

单选题 · easy

  • A.量子态测量坍缩← 正确答案
  • B.经典激活函数计算
  • C.贝叶斯网络后验推理
  • D.蒙特卡洛马尔可夫链

答案：A。Born 机器通过测量量子态获取样本：测量使叠加态随机坍缩到某个基态，出现概率由 Born 规则决定。经典激活函数、贝叶斯推理和 MCMC 都是经典方法的工具，不是 Born 机的核心。

Q3. 在 QGAN 中，生成器和判别器的关系最像下列哪对角色？

单选题 · mid

  • A.大厨与美食评论家← 正确答案
  • B.厨师与外卖骑手
  • C.顾客与餐厅老板
  • D.厂长与流水线工人

答案：A。生成器负责创作候选样本，判别器负责鉴别真伪，二者对抗博弈。这正像大厨做菜、评论家品评的关系。外卖骑手、顾客、流水线工人都没有“鉴别真伪并反过来促进创作”的博弈结构。

Q4. 关于量子变分自编码器（QVAE），下列说法正确的有？

多选题 · mid

  • A.潜变量可用量子比特表示← 正确答案
  • B.损失包含重构与正则项← 正确答案
  • C.无需经典计算参与训练
  • D.变分近似处理后验分布← 正确答案

答案：ABD。QVAE 的潜变量由量子比特构造，损失函数包含重构项和 KL 正则项，并通过变分近似处理不可解的后验。但训练过程依赖经典优化器更新参数，所以“无需经典计算参与”是错误的。

Q5. 量子-经典混合优化中，参数更新公式正确的是？

单选题 · mid

  • A.参数沿梯度正方向加步长
  • B.参数沿梯度负方向减步长← 正确答案
  • C.参数完全由测量结果决定
  • D.参数以随机方向每轮更新

答案：B。梯度下降的核心是沿损失函数的负梯度方向更新参数，即 θ ← θ − η∇L。加梯度方向会增大损失，完全由测量决定或随机更新则没有利用梯度信息。

Q6. n 个量子比特的态空间维度是多少？

单选题 · hard

  • A.维度随比特数线性增长
  • B.维度随比特数平方增长
  • C.维度随比特数指数增长← 正确答案
  • D.维度随比特数阶乘增长

答案：C。n 个量子比特的态空间维度是 2ⁿ，这正是量子并行能力之源。线性、平方、阶乘都不符合量子力学张量积结构的指数扩展规律。

Q7. 为什么多次测量无法彻底消除量子采样中的统计噪声？

单选题 · mid

  • A.测量坍缩会破坏叠加状态← 正确答案
  • B.量子比特数量总是有限
  • C.经典计算机性能不足
  • D.生成模型尚未训练完成

答案：A。每次测量都使量子态坍缩到某个基态，结果具有内在随机性。要估计分布必须多次测量并统计频率，而测量次数增加会带来时间成本。量子比特数量、经典性能、训练状态都不是噪声无法消除的根本原因。

Q8. 下列哪些属于量子生成模型家族？

多选题 · easy

  • A.量子波恩机器← 正确答案
  • B.量子对抗网络← 正确答案
  • C.量子变分编码器← 正确答案
  • D.量子密钥分发

答案：ABC。量子波恩机器、量子对抗网络（QGAN）、量子变分编码器（QVAE）都是量子生成模型。量子密钥分发（QKD）属于量子密码学，任务是安全通信而非数据生成，不属于生成模型。

Q9. 关于量子 Born 机器公式 \( P_{\theta}(x) = |\langle x | \psi(\theta) \rangle|^2 \)，说法正确的有？

多选题 · hard

  • A.概率等于振幅模长的平方← 正确答案
  • B.内积越大出现概率越高← 正确答案
  • C.测量后量子态保持原样
  • D.该式描述经典神经网络

答案：AB。Born 规则说明测量概率等于投影振幅的模平方，内积越大概率越高。但测量会破坏量子态，使其坍缩到基态，所以 C 错误。该式是量子力学的测量公设，与经典神经网络无关，D 错误。

Q10. 关于当前量子生成模型的应用现状，下列说法最准确的是？

单选题 · extreme

  • A.已大规模替代经典生成模型
  • B.处于研究与原型验证阶段← 正确答案
  • C.训练完全不需要经典计算
  • D.只适用文本不适用图像

答案：B。当前量子生成模型大多在论文、模拟器和小规模真实量子芯片上验证，尚未大规模产业化。训练依赖量子-经典混合架构，且应用范围涵盖分子、金融、图像等多个领域，因此 A、C、D 均不准确。