想象你是一位茶馆老板，手里有几百片形态各异的茶叶。有些茶叶看起来相似，但冲泡后味道天差地别；有些看起来完全不同，却能泡出相近的茶汤。你要教一位新来的伙计学会分辨——问题是，伙计只会看茶叶的“外表”，而真正的差别藏在“内涵”里。 你灵机一动：与其让伙计直接看茶叶，不如先把每片茶叶按照特定的工艺“冲泡”一遍，让茶汤的颜色、香气、回甘都呈现出来。这样，原本“长得像但味道不同”的茶叶，在茶汤的“特征空间”里就变得容易区分了。这个过程，就是特征映射——而量子核方法，就是用量子计算机来完成这种“冲泡”，把数据映射到一个极高维的量子空间，让原本纠缠不清的数据变得井然有序。 量子核方法的核心思路是：用量子特征映射把经典数据“编码”进量子态空间，然后在量子态的内积中完成“相似度”的计算。就像每片茶叶经过特定冲泡工艺后呈现出独特的“味觉指纹”，每个数据点在量子特征空间中也有自己独特的“位置指纹”。如果我们能精准算出两个指纹的匹配度（核函数值），就能在高维空间里轻松画出一条界线，把不同类别的数据分开。 这篇文章将带你走进量子核方法的世界：它是什么、如何用量子电路实现、凭什么比经典核更强、又在什么条件下才会真正发光，以及它和更可扩展的Projected核方法相比有哪些取舍。

岗位关联

量子核方法是量子机器学习中最具落地潜力的技术之一，理解它不仅能帮你设计量子AI解决方案，也能让你在经典数据上善用量子特征——这是未来混合计算时代AI工程师的必备视野。

目录
  1. 可视化演示
  2. 量子核的定义
  3. 量子特征映射
  4. 核矩阵的估计
  5. 分类回归优势
  6. 与经典核对比
  7. Projected核对比
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示量子特征映射将经典数据编码到高维量子空间、核矩阵估计与分类优势对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

量子特征映射：经典数据→量子态 经典数据点经变分量子线路映射到Bloch球面 4个参数化量子门将数据编码到2^4维空间 |φ(x)⟩ = U(x)|0⟩ 量子特征映射指数提升特征空间维度

量子核的定义

回到我们的茶馆。茶艺师把每片茶叶“冲泡”成一盏茶汤，记录下汤色、香气、口感。量子核方法做的事，就相当于给每一片茶叶建立一张“味觉指纹卡”，然后直接比对两张指纹卡的重合程度——如果两片茶叶的指纹卡几乎一模一样，就说它们“味道相似”；如果完全不同，就说“味道迥异”。这个“指纹比对评分”，就是核函数值。

在量子计算中，这个“指纹卡”就是量子态。一个经典数据点 x 经过量子特征映射后，变成量子特征空间中的一个态 |φ(x)⟩。两个数据点 x 和 z 的相似度，就用这两个量子态的内积来衡量：

所有数据点两两配对计算核函数值，就组成一个核矩阵——像一张“相似度评分表”，记录着整个数据集里任意两片茶叶的匹配度。核矩阵必须满足半正定性，这是它能被SVM等核方法使用的先决条件。

一盏茶汤的指纹，浓缩了茶叶的全部精华。量子核函数也一样，将数据在高维量子空间中的关系浓缩成一个数值，所有后续的分类、回归任务都建立在这张评分表之上。

K(x,z)=∣⟨ϕ(x)∣ϕ(z)⟩∣2\displaystyle K(x, z) = |\langle \phi(x) | \phi(z) \rangle|^2
换句话说，核函数值就是两个量子态“重叠”的概率，值越大表示两个数据点越相似。
  1. 量子特征态|φ(x)⟩ 表示数据点 x 经过量子特征映射后得到的量子态，相当于茶的“味觉指纹”
    ∣ϕ(x)⟩| \phi(x) \rangle
  2. 内积运算⟨φ(x)|φ(z)⟩ 是两个量子态的内积，衡量两个指纹的重合程度——注意这里是复数内积，需要取模的平方
    ⟨ϕ(x)∣ϕ(z)⟩\langle \phi(x) | \phi(z) \rangle
  3. 模方转换|·|² 将复数内积变成非负实数，确保核函数值一定是 0 到 1 之间的概率值，就像“指纹匹配度评分”
    ∣⟨ϕ(x)∣ϕ(z)⟩∣2|\langle \phi(x) | \phi(z) \rangle|^2

量子特征映射

你也许要问：不同茶叶的“味觉指纹”是从哪来的？答案就是冲泡工艺——同样的茶叶，用冷水泡、热水泡、煮着喝，味道截然不同。量子特征映射就是这个“冲泡工艺”：它决定了一组经典数据如何被“编码”进量子态。

技术上，量子特征映射是一个参数化的量子电路 U_Φ(x)，它把初始态 |0……0⟩ 变成 |φ(x)⟩。常用的编码方式包括角度编码（将数据编码为旋转角度）和幅度编码（将数据编码为态矢量的系数）。关键点在于，映射必须引入非线性——如果只是线性变换，那和经典PCA没有本质区别，无法产生超越经典的表达能力。

特征映射的设计直接影响核函数的表达能力。就像泡茶时水温、时间、器具的组合无穷无尽，量子特征映射的电路结构也有无限多种可能——有的映射让数据在高维空间里“纠缠”出极其复杂的几何结构，这正是量子核潜在的优越性来源。

现实中，这个“冲泡工艺”必须是可执行的：量子电路要能在真实硬件上运行，门数不能太深，否则噪声会毁掉所有信息。就像再好的茶艺，也不能用一口破锅泡出好茶。

UΦ(x)∣0⟩⊗n=∣ϕ(x)⟩\displaystyle U_{\Phi(x)} |0\rangle^{\otimes n} = |\phi(x)\rangle
  1. 参数化电路U_Φ(x) 是由数据 x 控制的量子门序列——相当于一份“按茶叶定制的冲泡步骤表”，不同茶叶走不同流程
    UΦ(x)U_{\Phi(x)}
  2. 初始量子态|0⟩^⊗n 表示 n 个量子比特全部处于 |0⟩ 的初始状态——就像每一片茶叶都从清水开始冲泡
    ∣0⟩⊗n|0\rangle^{\otimes n}
  3. 映射结果电路作用后得到最终量子态 |φ(x)⟩——这就是茶叶的“味觉指纹”

核矩阵的估计

有了“指纹卡”还不够，你得真正去比对两张卡。在量子世界里，“比对”这件事也必须在量子电路上完成。这就像茶艺师要实际把两盏茶汤放在一起对照品尝，而不是只看纸面记录。

量子核矩阵的每个元素 K_ij = |⟨φ(x_i)|φ(x_j)⟩|² 可以通过多种方式估计。最直接的方法是SWAP测试：将两个量子态制备到电路中，引入一个辅助比特，通过一系列受控SWAP操作，测量辅助比特得到概率值，从而估计出内积的模方。另一种方法是直接制备“叠加态”后测量概率。

从实际角度，估计核矩阵有不可忽略的采样开销：每个矩阵元素都需要多次电路测量来逼近真实值，而噪声会进一步加大误差。对于 N 个数据点，需要计算 O(N²) 个核元素——当数据集达到上万规模，这在当前量子硬件上是天文数字。

所以品茶不能把店里所有茶都两两对泡一遍——你得有取舍。现实中，人们会采样一部分茶对来估计整体的味道分布图，这也是量子核矩阵“近似估计”的核心思路。这种近似带来的误差，是量子机器学习在实际应用中必须正视的问题。

Kij=Tr[∣ϕ(xi)⟩⟨ϕ(xi)∣⋅∣ϕ(xj)⟩⟨ϕ(xj)∣]\displaystyle K_{ij} = \text{Tr}\left[ |\phi(x_i)\rangle \langle \phi(x_i)| \cdot |\phi(x_j)\rangle \langle \phi(x_j)| \right]
  1. 密度矩阵表示|φ(x_i)⟩⟨φ(x_i)| 是量子态的密度矩阵形式，相当于把“味觉指纹”写成了完整的“工艺档案”
    ∣ϕ(xi)⟩⟨ϕ(xi)∣|\phi(x_i)\rangle \langle \phi(x_i)|
  2. 迹运算Tr[·] 是对两个档案的“重叠度”做求和——把所有可能状态的匹配度加总
    Tr[⋅]\text{Tr}[\cdot]
  3. 内积相等Tr[ρ_i · ρ_j] = |⟨φ(x_i)|φ(x_j)⟩|²，两种数学表示殊途同归

分类回归优势

为什么大费周章把数据映射到量子空间？最直接的回答：有些数据在原始空间里就是“剪不断理还乱”。想象两种茶叶，从外表看简直一模一样，但味道截然不同——你无法用“茶叶大小”这个一维标尺区分它们。但在量子特征空间里，也许只需要一个极简单的线性分类器就能完美分开。

这就是量子核的分类优势：某些经典数据分布，经典核方法需要构造极其复杂的非线性函数才能区分，而量子核能通过高维量子态天然地构造出合适的决策边界。与核对齐（衡量核函数与学习任务匹配度的指标）相关的理论表明：如果量子核与数据标签之间的对齐度高于经典核，那它在SVM等模型上就会有更好的泛化表现。

理论上，如果数据在量子特征空间中呈现出“大间距”的结构，量子核的样本效率（用更少的数据达到相同精度）可能显著优于经典核。就像资深茶艺师只需要尝一小口，就能判断整批茶叶的产地——量子特征空间中的结构性信息让学习算法“事半功倍”。

不过，这种优势不是免费的午餐：能否发挥优势，取决于特征映射是否与数据分布“碰巧”匹配。选错了冲泡工艺，再好的茶叶也泡不出好味道。

A^(K,y)=⟨K,yyT⟩F⟨K,K⟩F⟨yyT,yyT⟩F\displaystyle \hat{A}(K, y) = \frac{\langle K, yy^T \rangle_F}{\sqrt{\langle K, K \rangle_F \langle yy^T, yy^T \rangle_F}}
  1. 核对齐定义衡量核矩阵 K 与标签外积 y y^T 的“方向一致性”——就像检验“味觉指纹匹配度”是否真的对应“茶叶真伪标签”
    A^(K,y)\hat{A}(K, y)
  2. Frobenius内积⟨K, yy^T⟩_F = Σ_ij K_ij y_i y_j，逐元素相乘再求和——把评分表里每一项与标签的对应关系加总
    ⟨K,yyT⟩F\langle K, yy^T \rangle_F
  3. 归一化分母是两个矩阵范数的乘积，将对齐度归一化到 [-1, 1]——就像把评分换算成百分制，避免核矩阵整体缩放造成误判

与经典核对比

经典核方法的世界里，人们常用高斯核（RBF）、多项式核等“通用冲泡法”。它们的好处是普适、计算快，无论什么数据都能泡出一盏中规中矩的茶。但问题在于：通用的配方往往不够“精妙”——很难针对特定数据设计出一个恰好能把类别分开的核函数。

量子核的不同之处在于，它通过量子电路把数据编码到指数维度的量子态空间。量子特征映射中存在纠缠门，这让量子核能够捕捉到经典核难以表达的数据关联。理论上，某些量子上游的核函数若被经典计算机高效估计，将意味着经典计算机能模拟量子计算——这暗示着量子核可能天然拥有超越经典的表达能力。

但也必须清醒看到另一面：经典核（如RBF核）在许多任务上表现已经相当好。如果数据本身结构简单，量子核的高维能力就是“杀鸡用牛刀”。更关键的是，量子核在估计核矩阵时存在采样噪声和硬件误差，而经典核计算是精确的。

理论分析表明，如果某个量子核函数能被经典计算机有效估计，则存在一个BQP问题能被经典解决，这会导致复杂性理论中的深刻结论。出于这一原因，研究者普遍猜测：某些量子核无法被经典高效估计。换句话说，量子核的“味觉指纹比对”可能天然具备经典方法难以模拟的复杂性。

这不是说量子核就一定更强——表达能力强不代表一定能学到好模型。正如一位茶艺大师有惊人的味觉分辨力，但如果她不知道你要找什么味道，也难以给出精准推荐。量子核的强大需要配套合适的训练策略和数据规模才能真正释放。

KRBF(x,z)=exp⁡(−γ∥x−z∥2)vs.KQ(x,z)=∣⟨ϕ(x)∣ϕ(z)⟩∣2\displaystyle K_{\text{RBF}}(x, z) = \exp\left( -\gamma \|x - z\|^2 \right) \quad \text{vs.} \quad K_Q(x, z) = |\langle \phi(x) | \phi(z) \rangle|^2
  1. 经典RBF核基于欧氏距离的高斯衰减——就像“看两片茶叶的外观距离越近越相似”，完全基于空间距离
    KRBF(x,z)=exp⁡(−γ∥x−z∥2)K_{\text{RBF}}(x, z) = \exp\left( -\gamma \|x - z\|^2 \right)
  2. 量子核基于量子态的内积——就像“看两片茶叶的味觉指纹重合度”，基于内在结构而非表面距离

Projected核对比

品茶会终归要回到现实——茶客的时间有限，茶馆的桌子有限。全量量子核方法要求把每一对数据都映射到高维量子空间并做内积测量，这在数据量增大时很快变得难以承受。于是人们提出了一种“轻量化”方案：Projected量子核。

Projected核的思路很直接：既然完整的量子态空间太大、测量成本太高，那就先把量子态“投影”到一小部分可观测量的期望值上，再用这些期望值构造经典核。就像一个繁忙的品茶会，不再要求每位茶客完整品鉴所有茶的每个维度，而是先用几张“快速评分卡”打分，再基于这些分数做判断。

投影操作的代价是损失了一部分量子特征空间的丰富性，但换取的是可扩展性：数据量增大时，只需增加测量次数而不是重新计算全部量子态内积。在标准化基准（如公开的机器学习数据集）上的实验显示，Projected核在多数任务上能达到全量量子核的绝大部分精度，但计算成本大幅降低。

选择全量量子核还是Projected核，本质上是“品鉴深度”与“品鉴效率”之间的权衡。正如一家成功的茶馆既需要大师级的深度品鉴活动来树立口碑，也需要快速标准化的日常服务来支撑运营——真实的量子机器学习系统，很可能需要两者并存。

KProj(x,z)=exp⁡(−γ∥σ^(x)−σ^(z)∥2)\displaystyle K_{\text{Proj}}(x, z) = \exp\left( -\gamma \|\hat{\sigma}(x) - \hat{\sigma}(z)\|^2 \right)
  1. 投影特征σ̂(x) 表示对量子态测量一组可观测量得到的经典特征向量——相当于把“味觉指纹卡”压缩成几个关键指标的“快速评分卡”
    σ^(x)\hat{\sigma}(x)
  2. 欧氏距离‖σ̂(x) - σ̂(z)‖² 计算两张“快评卡”的差异——在经典域完成相似度计算
    ∥σ^(x)−σ^(z)∥2\|\hat{\sigma}(x) - \hat{\sigma}(z)\|^2
  3. RBF包装外面套上高斯核函数，让Projected核仍然是一个合法的经典核——用分析“快速评分卡”的方式取代完整量子指纹比对

AI 应用场景

量子增强的金融信用评分

阶段：模型训练与特征工程

解决的问题：传统信用评分模型使用逻辑回归或经典核SVM，面对用户的非线性、高维特征（消费习惯、社交网络、流水模式）时，线性模型欠拟合，经典核又依赖人工特征设计，难以自动发现深层的用户关联模式。量子核通过高维量子态自动构造非线性映射，能捕捉到经典方法容易忽略的数据关联。

具体案例：某金融科技公司希望基于用户的200维行为特征预测违约风险。利用量子核SVM，将每个用户的特征向量通过量子特征映射编码到8量子比特的量子态空间，再计算核矩阵并进行分类。初步实验显示，在仅需5000个训练样本的情况下，量子核模型的AUC比经典RBF核SVM高出约4%。

药物分子活性预测

阶段：模型设计与评估

解决的问题：药物分子活性预测中，分子的化学结构与其生物活性之间存在极其复杂的量子力学关联，经典核方法要么计算量过大，要么表达能力不足。量子核天然与量子化学计算同源，能够在量子特征空间中更自然地表达分子的电子结构信息。

具体案例：一家药企在筛选候选分子时，使用Projected量子核代替全量量子核，将分子的量子化学描述符投影为低维特征再构造核函数。在包含5万分子的虚拟筛选任务中，Projected量子核在保持与全量量子核接近的Top-1%富集因子的同时，将训练时间从37小时降至4小时。

Python 演示

python57 行
import numpy as npfrom sklearn import svmfrom sklearn.datasets import make_moonsfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score  def quantum_feature_map(x, num_qubits=4):    """模拟量子特征映射：将经典2D数据编码为高维特征向量。    用正弦/余弦变换模拟量子旋转门的效果（非线性编码）。"""    features = []    for i in range(num_qubits):        angle = x[0] * (i + 1) + x[1] * (i + 2)        features.append(np.cos(angle))        features.append(np.sin(angle))    for i in range(num_qubits - 1):        pair_a = x[0] * (i + 1) + x[1] * (i + 2)        pair_b = x[0] * (i + 3) + x[1] * (i + 4)        features.append(np.cos(pair_a) * np.sin(pair_b))    return np.array(features)  def quantum_kernel_matrix(X, num_qubits=4):    """计算量子核矩阵 K_ij = |<phi(x_i)|phi(x_j)>|^2。    这里用归一化内积的平方模拟量子态重叠概率。"""    n = X.shape[0]    phi = np.array([quantum_feature_map(x, num_qubits) for x in X])    norms = np.linalg.norm(phi, axis=1, keepdims=True)    phi_normed = phi / (norms + 1e-12)    K = (phi_normed @ phi_normed.T) ** 2    K = (K + K.T) / 2.0    K[np.arange(n), np.arange(n)] = 1.0    return K  X, y = make_moons(n_samples=200, noise=0.15, random_state=42)X_train, X_test, y_train, y_test = train_test_split(    X, y, test_size=0.3, random_state=42) K_train = quantum_kernel_matrix(X_train, num_qubits=4)K_test = quantum_kernel_matrix(X_test, num_qubits=4)K_cross = quantum_kernel_matrix(np.vstack([X_train, X_test]), num_qubits=4)K_test_cross = K_cross[X_train.shape[0]:, :X_train.shape[0]] clf = svm.SVC(kernel="precomputed", C=1.0)clf.fit(K_train, y_train)y_pred = clf.predict(K_test_cross)acc = accuracy_score(y_test, y_pred) print(f"量子核SVM准确率: {acc * 100:.2f}%") rbf_acc = accuracy_score(    y_test,    svm.SVC(kernel="rbf", C=1.0).fit(X_train, y_train).predict(X_test),)print(f"经典RBF SVM准确率: {rbf_acc * 100:.2f}%")
目的：用NumPy模拟量子特征映射与量子核矩阵计算，对比量子核SVM与经典RBF核SVM在非线性分类任务上的表现。
  1. angular = x[0]*(i+1) + x[1]*(i+2)用线性组合模拟旋转门的角度参数，数据不同角度不同
  2. features.append(np.cos(angle))正弦/余弦编码对应量子旋转门产生的概率幅，非线性变换的关键
  3. features.append(np.cos(pair_a) * np.sin(pair_b))模拟纠缠门产生的相关性特征，让模型捕捉特征间关联
  4. phi_normed = phi / (norms + 1e-12)归一化模拟量子态的单位范数约束
  5. K = (phi_normed @ phi_normed.T) ** 2内积取平方模拟量子核 K=|⟨φ(x)|φ(z)⟩|²
  6. K[np.arange(n), np.arange(n)] = 1.0对角线强制为1，保证每个数据与自身完全相似
  7. svm.SVC(kernel="precomputed")使用预计算核矩阵模式，SVM直接基于量子核分类

常见误区

误区量子核把数据映射到指数维空间，表达能力远超经典核，所以量子核SVM一定比经典核SVM准确率高？

正解表达能力强不代表泛化性能好。量子特征空间确实维数高，但如果数据本身结构简单，高维映射反而可能引入不必要的复杂度，导致过拟合。理论上量子核的优势依赖于核对齐条件——即量子核与数据标签的匹配度必须高于经典核。只有数据分布恰好与量子特征映射的结构契合时，量子核才能发挥优势。

为何常见：人们容易把“表达能力”等同于“学习能力”，忽略了机器学习中“奥卡姆剃刀”原则——简单模型在有限数据下往往更好。

误区量子特征映射把数据映射到2^n维空间，n越大效果一定越好。

正解维度不是免费的午餐。更高的维度意味着核矩阵的估计需要更多测量次数，采样噪声和硬件误差也随之放大。在NISQ时代，过深的量子电路会产生严重的退相干，反而让核矩阵的估计值失去意义。实际使用中需要在“表达能力”和“可估计性”之间取得平衡，这也是Projected核存在的意义。

为何常见：人的直觉总是“更大更强”，忽略了量子噪声这个现实约束。

误区量子计算机一次运行就能算出所有核矩阵元素，所以核矩阵计算没有成本。

正解每个核元素K_ij都需要通过多次测量来统计估计——就像掷硬币估计概率，需要很多次重复实验才能得到精确值。对于N个样本，需要O(N²)个核元素，每个元素的估计误差随测量次数反比衰减。这意味着全量量子核的估计成本随数据规模二次增长，这是量子核在真实数据集上面临的重大瓶颈。

为何常见：量子计算的“叠加态”宣传让人误以为所有计算都免费，忘记了测量坍缩带来的采样开销。

误区Projected核把量子态投影到低维空间，一定比完整量子核效果差，所以不值得研究。

正解Projected核确实损失了一部分高维信息，但它显著降低了核矩阵的估计和存储成本。在标准化基准测试中，Projected核在大多数任务上能保持接近完整量子核的精度，个别任务甚至因为减少了噪声影响而表现更好。工程实践中，“够用且可扩展”往往比“理论最优但不可行”更有价值。

为何常见：研究人员容易追求理论最优，低估了工程可扩展性在真实系统中的地位。

误区量子核是量子AI的“银弹”，任何任务套上量子核都能大幅提升精度。

正解量子核本质上是核方法家族的一员，核方法本身的适用边界同样适用于量子核：对高维稀疏数据、非欧氏数据（如图结构）并不天然适用。同时，量子核的估计还受限于量子硬件的比特数和门保真度。当前量子体积还不足以支持大规模量子核应用，量子核更适合作为混合计算策略中的“特征增强器”，而非通用解决方案。

为何常见：新兴技术的宣传往往被过度乐观预期笼罩，忽略了技术成熟度曲线的现实。

面试题

Q1. 量子核函数 K(x,z) = |⟨φ(x)|φ(z)⟩|² 的物理含义是什么？

单选题 · easy

  • A.两个数据点在原始空间中的欧氏距离
  • B.两个量子态重叠的概率即相似度← 正确答案
  • C.两个量子态的维度和
  • D.量子电路的门数量总和

答案：B。内积的模方等于测量时两个量子态“重叠”的概率——就像两张味觉指纹卡的重合程度。A是经典RBF核的度量，C和D与内积无关。核函数值越大表示相似度越高。

Q2. 量子特征映射的主要作用是什么？

单选题 · easy

  • A.把量子数据转化为经典数据
  • B.把经典数据编码到高维量子态空间← 正确答案
  • C.减少量子电路的门数
  • D.消除量子噪声的影响

答案：B。量子特征映射用参数化电路U_Φ(x)将经典数据x编码为量子态|φ(x)⟩，相当于把数据“冲泡”成高维空间的味觉指纹。A是测量过程，C和D是工程优化问题，均非映射的核心功能。

Q3. 计算量子核矩阵的主要开销来自哪里？

单选题 · mid

  • A.经典计算机的矩阵存储
  • B.每个核元素的量子测量采样与O(N²)次计算← 正确答案
  • C.数据预处理的时间
  • D.量子计算机的冷却系统

答案：B。N个样本需要计算N²个核元素，每个元素需要多次测量才能逼近真实值，且噪声会放大误差。这就像品茶要逐对泡制所有茶叶组合，成本随样本量二次增长。

Q4. 下列哪种情况量子核最可能优于经典核？

单选题 · mid

  • A.数据本身线性可分且无噪声
  • B.量子核的核对齐度高于经典核← 正确答案
  • C.数据维度极低时
  • D.样本数量极少且特征无关时

答案：B。核对齐衡量核函数与标签的匹配程度。当量子核的对齐度更高时，说明其特征映射捕获了数据中更有判别性的结构。如果数据线性可分，经典核就够了，无需量子化。

Q5. 关于Projected量子核，下列说法正确的有？

多选题 · mid

  • A.将量子态投影到低维特征向量← 正确答案
  • B.损失部分高维信息但提升可扩展性← 正确答案
  • C.在基准测试中多数任务接近完整量子核精度← 正确答案
  • D.一定比完整量子核精度更高

答案：ABC。Projected核通过测量少量可观测量获得经典特征再构造核函数，损失的信息换来了更低计算成本。基准测试表明其通常接近完整量子核精度，但并非一定更高。D过于绝对，个别任务甚至因噪声减少而更好。

Q6. 为什么通过核对齐可以评估量子核的适用性？

单选题 · mid

  • A.核对齐衡量核矩阵和标签矩阵的匹配程度← 正确答案
  • B.核对齐直接给出分类准确率
  • C.核对齐计算的是量子比特数量
  • D.核对齐用于消除量子噪声

答案：A。核对齐通过Frobenius内积计算核矩阵K与标签外积yy^T的一致性，归一化后给出[-1,1]的相似度。它反映的是核函数与任务“匹配不匹配”——就像检验味觉指纹是否真的对应茶叶真伪。

Q7. 关于量子核与经典RBF核的对比，正确的有？

多选题 · hard

  • A.量子核通过量子态内积度量相似度← 正确答案
  • B.RBF核仅基于欧氏距离，无法捕捉复杂关联← 正确答案
  • C.量子核的表达能力可能超越经典核的已知证明依赖于量子优势假设← 正确答案
  • D.量子核在核矩阵估计时没有噪声问题

答案：ABC。A、B是基本定义差异。C正确：如果量子核能被经典高效估计，则意味着BQP问题的经典解存在冲突，暗示量子核天然具备潜在的表达优势。D荒谬：量子测量本身就有采样噪声。

Q8. 核矩阵对角线元素 K_ii 的值是？

单选题 · easy

  • A.0
  • B.0.5
  • C.1← 正确答案
  • D.随机值

答案：C。K_ii = |⟨φ(x_i)|φ(x_i)⟩|² = 1² = 1。每个数据点与自身完全相似，就像每片茶叶的味觉指纹和自己必然完全匹配。对角矩阵元为1是半正定核的必要性质。

Q9. 量子核方法的样本效率优势最可能来自什么？

单选题 · hard

  • A.量子比特数量多于经典比特
  • B.量子特征空间的结构化信息使少量样本即可确定边界← 正确答案
  • C.量子电路可以并行计算所有核元素
  • D.量子核不需要训练过程

答案：B。如果数据在量子特征空间中呈现大间距结构，SVM只需少量支持向量即可确定决策边界，这就是“样本效率高”。B正确。A是资源数量而非效率。C错在测量坍缩让并行无法直接获取全部信息。D错在核矩阵仍需估计和训练。

Q10. 关于全量量子核与Projected核的实际工程取舍，正确的有？

多选题 · hard

  • A.全量量子核表达能力强但核矩阵估计成本高← 正确答案
  • B.Projected核通过投影降低测量次数与存储开销← 正确答案
  • C.数据量增大时全量量子核的O(N²)估计成本变得不可承受← 正确答案
  • D.Projected核在所有数据集上都优于全量量子核

答案：ABC。全量量子核需要逐对估计N²个核元素，数据量增大时成本激增。Projected核先投影再计算经典核，显著降低开销。基准测试显示它接近但并非总优于全量量子核——某些复杂数据集上全量量子核精度更高，D绝对化错误。