量子机器学习¶

一句话总结：量子机器学习把量子比特的叠加与纠缠塞进 ML 流程，用参数化量子电路当"神经层"，期望在特定任务上突破经典算法瓶颈。

🗺️ 本章导览¶

本章覆盖前沿 AI：量子 ML → 神经形态 → 太空数据中心 → 去中心化 AI → 脑机接口
01. 量子机器学习 (本节)：量子门、变分量子算法、量子加速、中国生态与瓶颈
02. 神经形态计算：脉冲神经网、类脑硬件
03. 太空数据中心：待补
04. 去中心化 AI：待补
05. 脑机接口：待补

这一节我们从量子比特开始，一路走到变分量子算法、量子核方法、贫瘠高原，最后看看 2026 年的硬件能做到哪一步、瓶颈又在哪里。读完你应该能向同事讲明白：VQE/QAOA 究竟在干什么，为什么大家吵量子优势，以及最近学界到底退潮还是真香.

1. 量子计算基础：比特、叠加、纠缠、测量¶

要理解量子机器学习 (Quantum Machine Learning, QML)，我们得先把"量子计算"这件事本身讲清楚。别被它的神秘感吓到 —— 量子计算的核心只有四件事：量子比特 (qubit)、叠加 (superposition)、纠缠 (entanglement)、测量 (measurement). 掌握这四件，后面的变分算法、核方法就只是它们的工程化组合。

1.1 量子比特 (qubit)¶

经典比特 (bit) 是 0 或 1. 量子比特 (qubit) 则是两者的复数线性组合:

\[|\psi\rangle = \alpha|0\rangle + \beta|1\rangle, \quad \text{其中 } \alpha, \beta \in \mathbb{C}, \quad |\alpha|^2 + |\beta|^2 = 1\]

\(|0\rangle\) 和 \(|1\rangle\) 是两个标准正交基 (类似坐标轴上的 \(\mathbf{e}_1\) 和 \(\mathbf{e}_2\)), \(\alpha\) 和 \(\beta\) 是复振幅。模平方 \(|\alpha|^2\) 和 \(|\beta|^2\) 是测得 0 或 1 的概率，两者相加等于 1.

你也可以把 qubit 当成一个"球面上的点"——这就是著名的 Bloch 球 (Bloch sphere) 表示:

\[|\psi\rangle = \cos\!\left(\frac{\theta}{2}\right)|0\rangle + e^{i\phi}\sin\!\left(\frac{\theta}{2}\right)|1\rangle\]

单 qubit 在 Bloch 球上的几何

图说: Bloch 球把 qubit 的状态映射到三维单位球面上。北极 \(|0\rangle\)、南极 \(|1\rangle\)，赤道上的点对应"等概率叠加" \(\frac{1}{\sqrt{2}}(|0\rangle + e^{i\phi}|1\rangle)\). 任何单 qubit 量子门都对应球面上的一个旋转。

注意一个微妙之处：\(\alpha\) 携带的全局相位 (global phase) 不可观测 —— 即 \(|\psi\rangle\) 和 \(e^{i\gamma}|\psi\rangle\) 在物理上完全等价。只有相对相位 (即两个振幅之间的相位差) 才能在干涉中被实验观察到。

1.2 叠加 (superposition)¶

叠加不是"既 0 又 1"，更不是"薛定谔的猫真的半死半活". 它真正的意思是：在被测量之前，qubit 的振幅 \(\alpha\) 和 \(\beta\) 同时存在，并在随后的演化中通过干涉彼此增强或抵消。

一个最经典的例子是 Hadamard 门 \(H\):

\[H|0\rangle = \frac{1}{\sqrt{2}}(|0\rangle + |1\rangle), \quad H|1\rangle = \frac{1}{\sqrt{2}}(|0\rangle - |1\rangle)\]

把 \(H\) 作用到 \(|0\rangle\) 上，我们就得到一个"50% 概率测得 0、50% 概率测得 1"的状态。但真正的威力在于多 qubit 的叠加 —— \(n\) 个 qubit 处于叠加态时，能同时承载 \(2^n\) 个经典状态。这就是量子并行性的源头。

重要警告：叠加不等于你能"并行访问 \(2^n\) 个数据". 哥本哈根诠释告诉我们：你一旦测量，系统就塌缩到一个经典结果，其余振幅全部丢失。这就是为什么 QML 的算法设计必须巧妙使用干涉，把答案"汇聚"到少数几个振幅上。

1.3 纠缠 (entanglement)¶

纠缠是 QML 与"只是把计算随机化"的分水岭。两个 qubit 的纠缠态 (以 Bell 态为例):

\[|\Phi^+\rangle = \frac{1}{\sqrt{2}}(|00\rangle + |11\rangle)\]

这个状态的关键性质：单独测量任何一个 qubit，结果是 0 或 1 都各占 50%；但两个 qubit 都测，结果必然相同 (00 或 11，不会 01 或 10). 无论两个 qubit 隔多远。

直觉：把纠缠态想成两枚硬币，远在宇宙两端，但当你翻一枚，另一枚立刻呈现相关面。这听起来违反相对论 (信息传播比光快?)，但其实不能用来传信：你的本地测量结果是随机的，没有可控的自由度。

1.4 测量 (measurement)¶

测量是 QML 唯一能看到结果的地方，也是它"漏信息"的地方。测量一个 qubit 的某个可观测量 (observable，比如 Pauli-Z)，你会得到:

以 \(|\alpha|^2\) 的概率得到结果 \(+1\) (塌缩到 \(|0\rangle\))
以 \(|\beta|^2\) 的概率得到结果 \(-1\) (塌缩到 \(|1\rangle\))

测量后，系统的状态被破坏性地更新为对应的本征态。这意味着一旦你测过，之前精心培育的叠加就被打散了 —— 想再来一次，必须重新制备。

QML 的工作流因此常被描述成:

制备一组 qubit 的初始态 (通常是 \(|0\rangle^{\otimes n}\))
应用一系列量子门 (酉变换，详见 §2)
测量末态
经典计算机根据测量结果调整参数，重复 1–3 (这是变分算法循环)

2. 量子门：让 qubit 旋转的语言¶

量子计算的本质是对 qubit 的酉变换 (unitary transformation). 这些酉变换就是量子门。几个基本门构成了量子编程的"字母表".

2.1 单 qubit 门：Pauli 矩阵与 Hadamard¶

Pauli-X 门 (比特翻转 NOT):

\[X = \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}, \quad X|0\rangle = |1\rangle, \quad X|1\rangle = |0\rangle\]

Pauli-Y 门 (比特翻转 + 相位翻转):

\[Y = \begin{bmatrix} 0 & -i \\ i & 0 \end{bmatrix}\]

Pauli-Z 门 (相位翻转):

\[Z = \begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix}, \quad Z|0\rangle = |0\rangle, \quad Z|1\rangle = -|1\rangle\]

Hadamard 门 (造叠加):

\[H = \frac{1}{\sqrt{2}}\begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}\]

这三个 Pauli 矩阵 \(\{I, X, Y, Z\}\) 配上 \(H\)，就生成了单 qubit 的 Clifford 群 —— 它们能完成你能想到的大部分"经典逻辑 + 一点点相位". 但 Clifford 群自身不能通用量子计算，还需要非 Clifford 门，其中最常用的是旋转门:

\[R_x(\theta) = e^{-i\theta X/2} = \begin{bmatrix} \cos(\theta/2) & -i\sin(\theta/2) \\ -i\sin(\theta/2) & \cos(\theta/2) \end{bmatrix}\]

\(R_x(\theta), R_y(\theta), R_z(\theta)\) 三个旋转门配合 \(X, Y, Z\), 任意单 qubit 酉变换都可以由三个旋转门合成 (这就是著名的 ZYZ 分解 或 Euler 分解):

\[U = e^{i\alpha} R_z(\beta) R_y(\gamma) R_z(\delta)\]

这意味着在 QML 里，几乎所有参数化单 qubit 门最终都落到三个可训练的旋转角上。

2.2 双 qubit 门：CNOT 与纠缠的工厂¶

CNOT (Controlled-NOT, CX) 是 QML 里的主力纠缠门:

\[\text{CNOT}|00\rangle = |00\rangle, \quad \text{CNOT}|01\rangle = |01\rangle, \quad \text{CNOT}|10\rangle = |11\rangle, \quad \text{CNOT}|11\rangle = |10\rangle\]

控制位为 0 时目标位不变，控制位为 1 时目标位翻转。我们可以用矩阵写:

\[\text{CNOT} = \begin{bmatrix} 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 1 \\ 0 & 0 & 1 & 0 \end{bmatrix}\]

CNOT 加上 Hadamard，就能造出纠缠。经典序列：\(H\) 作用在第一个 qubit，再 CNOT (控制=第一个，目标=第二个)，起步于 \(|00\rangle\) 时你会得到 Bell 态 \(|\Phi^+\rangle = \frac{1}{\sqrt{2}}(|00\rangle + |11\rangle)\). 这是所有 QML 电路中纠缠的种子动作.

2.3 三 qubit 门与通用性¶

Toffoli 门 (CCNOT) 是经典 AND 门的量子对应，在量子纠错中至关重要。但它在 QML 训练中较少出现，因为它不是参数化的，也不好求梯度。

通用量子计算理论 (Solovay–Kitaev 定理) 告诉我们：任意单 qubit 旋转门 + CNOT 就能以任意精度逼近任意多 qubit 酉变换。这意味着，QML 在"硬件可用门集"层面有相当大的设计自由度 —— 厂商提供的原生门 (IBM 用 \(\sqrt{X}\)、Rigetti 用 iSWAP、Google 用 Sycamore 的 \(\sqrt{\text{iSWAP}}\)) 本质上都能互相编译。

3. 量子电路：拼出门序列的艺术¶

3.1 电路模型 (circuit model)¶

量子电路 (quantum circuit) 是量子算法的图形化表示：横轴是时间 (从左到右)，纵轴是不同的 qubit，每条线上的方框是量子门。一组时刻终点的"测量"图标说明在哪一步采样。

一个典型的 Bell 态制备电路

图说：上图展示最经典的 Bell 态制备电路：两个 qubit 初始化为 \(|0\rangle\)，第一个经过 Hadamard 门进入叠加，然后 CNOT 把第二个 qubit 纠缠进来，最后测量两个 qubit 各得到 0 或 1. 在 10000 次采样下，你看到的统计只会是 00 和 11 各占 50%，永远不会出现 01 或 10 —— 这就是纠缠的可观测证据。

3.2 参数化量子电路 (parameterised quantum circuits, PQC)¶

QML 的核心结构叫参数化量子电路 (Parameterised Quantum Circuit, PQC)，又称 ansatz 电路. 它的意思是：电路里有一些可训练的旋转角度 \(\theta_i\)，末态变成了参数化函数 \(|\psi(\boldsymbol{\theta})\rangle\)，然后我们测量某个可观测量 \(\hat{O}\)，得到期望值:

\[f(\boldsymbol{\theta}) = \langle\psi(\boldsymbol{\theta})|\hat{O}|\psi(\boldsymbol{\theta})\rangle\]

这正是 QML 的"输出". 注意 \(f\) 是个实数标量 (因为 \(\hat{O}\) 通常选择厄米特算符，期望值是实数)，我们用经典优化器 (梯度下降、Adam 等) 调整 \(\boldsymbol{\theta}\) 来最大化或最小化 \(f\).

所以，PQC 充当了"量子层"的角色，几乎所有 VQA (变分量子算法)、QNN、量子核方法的最内层电路，都长一个样:

# PennyLane 风格的伪代码: 一个 4-qubit 强纠缠层 ansatz
import pennylane as qml

def strong_entangler_layer(weights, wires):
    """weights: shape (n_layers, n_wires, 3)"""
    n_wires = len(wires)
    for layer in range(weights.shape[0]):
        # 每个 qubit 上一个通用旋转
        for i in range(n_wires):
            qml.Rot(*weights[layer, i], wires=wires[i])
        # 环形 CNOT 链, 把纠缠搅起来
        for i in range(n_wires):
            qml.CNOT(wires=[wires[i], wires[(i + 1) % n_wires]])

3.3 宽度与深度 (width vs depth)¶

宽度 (width)：电路使用的 qubit 数 \(n\). 等价于我们能用的量子"内存".
深度 (depth)：所有 qubit 上累计的最大门层数 (假设可并行). 反映电路在退相干 (decoherence) 前能进行的演化复杂度。

NISQ 时代硬件的两个硬约束直接绑死 QML 算法的设计:

最多 50–200 个可用 qubit (IBM Condor 2023 突破到 1121 qubit，但单次实验可用约 100–400)
电路深度一般不超过 100–1000 层 (因为每一层 ~ 几十到几百 ns 噪声累计)

这意味着 QML 算法必须对噪声和 qubit 数同时鲁棒，这是为什么大多数工作的 ansatz 选 硬件高效 ansatz (hardware-efficient ansatz, HEA) —— 把旋转门和 CNOT 紧紧贴在硬件原生门集上，不去追求理论上更优雅但需深电路的化学 ansatz.

4. 变分量子算法 (VQA)：把量子电路当 f(θ)¶

变分量子算法 (Variational Quantum Algorithm, VQA) 是当前 QML 的唯一实用性范式. 它的工作模式是:

准备一个参数化电路 \(U(\boldsymbol{\theta})\)
把数据 \(\mathbf{x}\) 编码进电路 (encode)，或者干脆用一个固定输入态
测量期望值 \(\langle\hat{O}\rangle\)
经典优化器调整 \(\boldsymbol{\theta}\)，反复迭代

VQA 的灵魂是经典-量子混合：数据准备和参数更新在经典 CPU，期望值采样在量子芯片。这种分工正是 NISQ 时代能落地的关键 —— 我们没有大规模纠错的能力，但可以把短而深的电路反复跑 1000 次取平均，把噪声平均掉。

下面我们展开 VQA 的三大代表：VQE、QAOA、VQC.

4.1 VQE：变分量子本征求解器¶

变分量子本征求解器 (Variational Quantum Eigensolver, VQE) 由 Alberto Peruzzo 等人在 2014 年提出，当时发表在 Nature Communications 上，论文标题就叫 "A variational eigenvalue solver on a quantum processor"¹. 它的任务极其专一：求一个哈密顿量 \(\hat{H}\) 的基态能量.

\[E_0 = \min_{|\psi\rangle} \langle\psi|\hat{H}|\psi\rangle, \quad \text{其中 } \langle\psi|\psi\rangle = 1\]

为什么这事重要？因为分子基态能量决定了化学反应速率、材料性质。在经典计算机上，精确解这个问题需要指数级资源 (Full-CI)，即使是近似 (CCSD(T)) 也是经典计算的瓶颈。 VQE 的承诺是用量子电路去采样 \(\langle\hat{H}\rangle\)，然后交给经典优化器去更新 \(\boldsymbol{\theta}\).

我们把哈密顿量展开成 Pauli 项之和 (这是分子/凝聚态物理的常用做法):

\[\hat{H} = \sum_i c_i \hat{P}_i, \quad \hat{P}_i \in \{I, X, Y, Z\}^{\otimes n}\]

每一项 \(\hat{P}_i\) 都能用一个短电路测量，因此总期望值:

\[\langle\hat{H}\rangle = \sum_i c_i \langle\hat{P}_i\rangle\]

每个 \(\langle\hat{P}_i\rangle\) 由量子硬件 1000 次采样取平均估计；然后经典优化器 (比如 BFGS、L-BFGS、Adam) 算梯度、调 \(\boldsymbol{\theta}\)，重复。

下面是 VQE 的最小工作骨架:

import pennylane as qml
from pennylane import numpy as np

dev = qml.device("default.qubit", wires=2)

def ansatz(params, wires):
    qml.RX(params[0], wires=wires[0])
    qml.RY(params[1], wires=wires[1])
    qml.CNOT(wires=[wires[0], wires[1]])

@qml.qnode(dev)
def cost(params):
    ansatz(params, wires=[0, 1])
    return qml.expval(qml.PauliZ(0) + 0.5 * qml.PauliZ(1))

opt = qml.GradientDescentOptimizer(stepsize=0.4)
params = np.array([0.1, 0.1], requires_grad=True)

for it in range(50):
    params = opt.step(cost, params)
    if it % 10 == 0:
        print(f"iter={it}, energy={cost(params):.4f}")

VQE 在小分子 (H₂、LiH、BeH₂) 上已经验证了"量子 + 经典混合确实能给出逼近化学精度的能量估计"，但真实竞争力还要等几百 qubit 的容错时代才能兑现。

4.2 QAOA：量子近似优化算法¶

量子近似优化算法 (Quantum Approximate Optimization Algorithm, QAOA) 由 Edward Farhi、Jeffrey Goldstone、Sam Gutmann 在 2014 年提出，arXiv 编号 [1411.4028]². 它的目标场景是组合优化: MaxCut、TSP、图着色、约束满足等 NP 难问题。

把问题写成哈密顿量:

目标哈密顿量 \(\hat{C}\)：把我们要最大化的目标函数编码成对角算符。比如 MaxCut：对每条边 \((i, j)\) 加一项 \(\frac{1}{2}(1 - Z_i Z_j)\)，当两顶点同侧时该项为 0、不同侧时为 1
混合哈密顿量 \(\hat{B} = \sum_i X_i\)：每顶点一个 Pauli-X 的和，用于在子空间中"搅动"

QAOA 的电路以交替形式演化:

\[|\psi_p(\boldsymbol{\gamma}, \boldsymbol{\beta})\rangle = e^{-i\beta_p \hat{B}} e^{-i\gamma_p \hat{C}} \cdots e^{-i\beta_1 \hat{B}} e^{-i\gamma_1 \hat{C}} |+\rangle^{\otimes n}\]

参数 \(\boldsymbol{\gamma}, \boldsymbol{\beta}\) 共 \(2p\) 个，\(p\) 是 QAOA 层数。测量 \(\langle\hat{C}\rangle\)，交给经典优化器调参。

QAOA 的关键性质：当 \(p \to \infty\) 时，它收敛到精确解。对小的 \(p\)，它给出 MaxCut 等问题的近似比 (approximation ratio) 是有保证的。 Farhi 等人在 \(p=1\) 时给出 MaxCut 在 3-regular 图上的近似比 \(\geq 0.6924\) (经典 Goemans–Williamson 给出 \(\geq 0.878\)，但需要 SDP 求解器).

为什么大家关心 QAOA? 因为它代表了一种"用浅电路 + 大规模并行采样去攻 NP-hard"的可能性。在含噪硬件上，\(p\) 通常取 1–3，已经是 QML 在 2024–2026 年的主要实验目标 (IBM、Google Quantinuum 都有相关论文).

4.3 VQC：变分量子分类器¶

变分量子分类器 (Variational Quantum Classifier, VQC) 是把 VQE/QAOA 的范式搬到监督学习。它的核心想法:

把输入特征 \(\mathbf{x}\) 编码进一个数据重新上传 (data re-uploading) 电路：\(U(\mathbf{x})\) 与 \(U(\boldsymbol{\theta})\) 交替，让电路对 \(\mathbf{x}\) 形成非线性响应
末尾测量一个或几个 Pauli，把期望值作为类别分数
用 cross-entropy 等损失训练参数 \(\boldsymbol{\theta}\)

Schuld 等人 2020 年的工作 "Effect of data encoding on the expressive power of variational quantum machine-learning models"⁶ 表明：这种"重新上传 ansatz"在合适编码下能逼近任意 \([0, 1]^n \to \{0, 1\}\) 标签函数。

注意: VQC 的优势目前仍然主要是理论意义. 在真实数据集 (MNIST 缩减版、IRIS 等) 上的实验显示，VQC 与经典 SVM、随机森林相比并没有稳定的优势，反而在噪声下更容易崩。所以这个方向仍处于"找出它真能赢在哪"的探索期。

5. 量子核方法：把数据升维到 Hilbert 空间¶

核方法 (kernel methods) 在 1990 年代是 ML 的主力 (SVM 配合高斯核横扫各类比赛)，后来被深度学习取代。但核的思想本身 —— 把数据隐式升维到高维空间再用线性模型 —— 恰好非常适合量子计算，因为 Hilbert 空间是量子态的天然家。

5.1 量子特征映射 (quantum feature map)¶

量子特征映射 \(\phi(\mathbf{x})\) 是一个酉变换:

\[|\phi(\mathbf{x})\rangle = U(\mathbf{x})|0\rangle^{\otimes n}\]

把经典向量 \(\mathbf{x} \in \mathbb{R}^d\) 编码成 \(n\) 个 qubit 的状态。常见编码方式:

幅度编码 (amplitude encoding)：把 \(\mathbf{x}\) 的归一化版本塞进态向量 \(|\psi\rangle = \sum_i x_i |i\rangle\). 这个映射只需 \(\log_2 d\) 个 qubit，但很难构造。
角度编码 (angle encoding)：每个特征 \(x_i\) 通过 \(R_x(x_i)\) 或 \(R_z(x_i)\) 进入一个 qubit. 简单，但只能把 \(d\) 维数据塞进 \(d\) 个 qubit.
重新上传编码：用多层 \(R(\mathbf{x}, \boldsymbol{\theta}) = R(\boldsymbol{\theta}) R(\mathbf{x})\) 交替，让网络深度非线性化。

5.2 QSVM：量子支持向量机¶

量子支持向量机 (Quantum Support Vector Machine, QSVM) 的核心想法由 Havlíček 等人在 2019 年的 Nature 论文 "Supervised learning with quantum-enhanced feature spaces"³ 中正式提出。

定义量子核 (quantum kernel):

\[K(\mathbf{x}, \mathbf{x'}) = |\langle\phi(\mathbf{x})|\phi(\mathbf{x'})\rangle|^2\]

这正是两个量子态之间的保真度 (fidelity). 当 \(K(\mathbf{x}, \mathbf{x'})\) 难用经典计算时，但能用短量子电路估计时，我们就拿到了一个"经典无法有效计算、但量子可以"的内积。

然后 SVM 的优化问题:

\[\min_{\boldsymbol{\alpha}} \frac{1}{2}\sum_{i,j}\alpha_i \alpha_j y_i y_j K(\mathbf{x}_i, \mathbf{x}_j) - \sum_i \alpha_i\]

在参数求解这一步，可以交给经典 SVM solver；但核矩阵 \(K\) 的所有元素都通过量子电路测量. Havlíček 的实验在 IBM Q 5-qubit 机器上跑了两个 toy classification 任务，验证了量子核确实能产生"经典核难构造"的特征空间。

5.3 量子核的潜在优势 vs 现实¶

理论上，如果我们能找到经典难算但量子易算的核, QSVM 就能胜过经典 SVM. 但这个"量子易算"是有条件的:

对 NISQ 硬件，测量噪声会让核估计偏差大，反而劣化分类
许多被研究过的特征映射 (如上 Havlíček 的二级纠缠门)，经典 GPU 上可以"伪造"出等价核矩阵 —— 这意味着量子优势并不存在
真正的优势可能只在特定编码方式 + 特定数据分布上才出现

Huang 等人 2021 年的 "Power of data in quantum machine learning"⁷ 给出了一个负面结果：在大多数合理假设下，QML 的可泛化能力被经典数据量多项式压制，即若有 \(O(N)\) 经典样本，经典模型也能达到类似泛化。这让"量子优势"的口号从狂热回到冷静。

6. 贫瘠高原：量子梯度消失之谜¶

6.1 问题陈述¶

QML 训练主要困难叫贫瘠高原 (barren plateaus)，由 McClean 等人在 2018 年发表于 Nature Physics 的论文 "Barren plateaus in quantum neural network training landscapes"⁴ 中系统刻画。

现象：当参数化量子电路深度或宽度增长时，损失函数 \(L(\boldsymbol{\theta})\) 对参数的梯度指数级衰减到零:

\[\text{Var}\!\left[\frac{\partial L}{\partial \theta_i}\right] \sim O(b^{-n})\]

其中 \(b < 1\) 是某个常数，\(n\) 是 qubit 数。直观上，参数空间是一个"看起来起伏平缓的高原"，随机初始化时几乎所有点都是几乎一样的损失，梯度信号淹没在采样噪声里。

Barren plateau 示意图: 损失函数景观在高维参数空间变得几乎平坦,梯度消失

图说：横轴是参数空间中沿两个正交方向的位置，纵轴是损失值。绝大多数区域的损失都集中在全局极小附近 (红区)，中间是几乎平的"高原" (浅蓝区). 训练在高原上时，梯度接近零，优化器停滞。

6.2 数学直觉：2-design 与集中不等式¶

Barren plateau 不是"门不好"，而是电路结构本身的统计性质。 McClean 的证明走的是下面这条路径:

假设电路由一组酉 \(U(\boldsymbol{\theta}) = U_L(\theta_L) \cdots U_1(\theta_1)\) 构成，每层从某个"局部酉集合"中独立采样
如果这个集合构成酉 2-design (近似覆盖整个酉群的二阶矩)，那末态 \(|\psi\rangle\) 在 Hilbert 空间里均匀分布
把损失写成 \(L(\boldsymbol{\theta}) = \text{Tr}[\hat{O} \rho(\boldsymbol{\theta})]\)，其中 \(\rho\) 是密度算符
用集中不等式 (Levy 引理 / 高斯积分) 论证：\(\rho\) 的 Frobenius 范数集中在 \(1/2^n\)

直觉就是：均匀随机态之间彼此正交，因此叠加"杂凑"得很平均，任何单 qubit 操作带来的扰动都彼此抵消 —— 这就是梯度消失的根因。

6.3 解法：局部性、成本函数、初始化策略¶

Barren plateau 没有万能解，但有一组实用技巧:

局部电路 (local ansatz)：用深度浅、纠缠少的 ansatz (如 Hardware-Efficient Ansatz 的浅层版)，避免梯度消失
恒等初始化 (identity initialization)：把 \(\boldsymbol{\theta}\) 初始化到已知的小梯度区域 (例如全零附近，对应恒等变换). Grant 等人 2019 年的 "An initialization strategy for addressing barren plateaus" 提了"逐层增加 ansatz 深度"的策略
成本函数局部化：让损失只测量少量 qubit 上的可观测量。 Cerezo 等人 2021 年证明这种 \(k\)-local cost function 可以让方差只随常数因子下降，而不是指数下降
参数化对称性：限制参数共享，让电路表达力刚好够用

核心 trade-off: 表达能力 (expressibility) vs 可训练性 (trainability). 一个表达力极强的 ansatz 可能陷入 barren plateau；表达力太弱又装不下复杂任务。这是 QML 算法设计的核心拉扯。

7. NISQ 时代与容错未来¶

7.1 什么是 NISQ¶

"NISQ" 这个词是 John Preskill 在 2017 年的 keynote 中提出，2018 年正式发文 "Quantum Computing in the NISQ era and beyond"⁵. 它代表:

Noisy：量子门有显著错误率 (当前 2-qubit 门 ~ 0.1%–1%)
Intermediate-Scale: 50–1000 qubit 的中等规模
Quantum：是真量子，不是经典模拟的伪装

Preskill 的判断是：NISQ 时代我们能跑几十到几百 qubit 的浅电路，但没有完全容错；一旦容错 (logical qubit + 表面码纠错) 成熟，才能释放 Shor/Grover 这类需要万亿门的算法。

7.2 当前硬件能力概览 (2026 年中)¶

下面是一个近似量级的快照 (数据来自各厂商 2025–2026 公布的技术博客与论文，不是承诺):

平台	技术路线	物理 qubit (公开)	2-qubit 门误差	链接访问
IBM Quantum (Heron r2)	超导 transmon	156	~ 0.1%	云付费
Google Willow/Sycamore-衍	超导 transmon	72–105	~ 0.1%	限定合作
IonQ Forte	离子阱	36 (algorithmic qubit)	~ 0.5%	云付费
Quantinuum H2	离子阱 (trapped ion)	56	~ 1e-4 (业界领先)	云付费
Rigetti Ankaa-3	超导	84	~ 1%	云付费
PsiQuantum	光量子 (光子)	未公开	—	自建
本源量子 Wukong	超导	72+	—	云 / 商业
国盾量子	超导 + 离子阱研发	—	—	合作
中科大 / 潘建伟团队	光量子九章、祖冲之	113 / 66 光量子	—	学术

注意: "qubit 数"是营销数字，真正可比的是 "algorithmic qubits"——参与算法的有效 qubit. IonQ 与 Quantinuum 强调这一点，IBM 的量子体积 (Quantum Volume)、CLOPS 等 benchmark 也在试图给一个综合指标。

7.3 容错量子计算 (fault-tolerant quantum computing, FTQC)¶

容错硬件要求:

逻辑 qubit：多个物理 qubit 编码一位逻辑 qubit，表面码 (surface code) 通常要求 ~ 1000 物理 qubit 编码 1 个逻辑 qubit
纠错阈值：物理门误差必须低于阈值 (~ 1%，表面码)，低于阈值时逻辑错误率随码距指数下降
魔态蒸馏 (magic state distillation)：实现非 Clifford 门 (T 门) 需要持续的辅助 qubit，这部分开销最大

Google Quantum AI 2024 年底发表在 Nature 上的论文 "Quantum error correction below the surface code threshold"⁸ 报告了他们的 Willow 处理器在表面码下达成阈值以下，逻辑错误率随码距下降——这是容错时代真正开门的里程碑。

但即便如此，跑 Shor 算法破 2048 位 RSA 还需要约几百万物理 qubit、几小时到几天运行时间. 这意味着"FTQC 的杀手级应用"在大约 2030 年代中期之前不会出现.

8. 量子机器学习框架与软件栈¶

光有硬件不够，你还需要框架来描述电路。当前的 QML 生态:

8.1 主流框架¶

PennyLane (Xanadu)：以"量子 + 经典自动微分"为核心，接口类似 PyTorch/TensorFlow，可以和 PyTorch、TensorFlow、JAX 无缝互操作，是当前 QML 研究最活跃的开源框架
Qiskit (IBM): IBM 主导，包括 Qiskit Terra (电路编译)、Qiskit Aer (模拟器)、Qiskit IBM Runtime (云执行); Qiskit Machine Learning 提供 QSVM、VQC 等
Cirq (Google): Google 主导，风格类似 NumPy，偏硬件底层
TensorFlow Quantum (TFQ): Google 2020 年发布，把量子电路当作 Keras 层，但 2023 年起进入维护模式，不再积极开发
PaddleQuantum (百度)：国内飞桨生态下的量子机器学习库，2020 年起开源，支持 PQC、VQE、QAOA、QSVM、量子 GAN 等常见模型，接口对飞桨用户友好
MindQuantum (华为)：华为自研，跟随昇思 MindSpore 生态，在国内政企场景有应用
QuTiP (QuTiP-JAX)：偏量子物理模拟，不专攻 ML 但常用于验证小规模量子算法

8.2 一个 PennyLane + PyTorch 的 VQC 例子¶

import torch
import pennylane as qml

n_qubits = 4
dev = qml.device("default.qubit", wires=n_qubits)

@qml.qnode(dev, interface="torch")
def quantum_layer(inputs, weights):
    # 数据重上传编码
    qml.AngleEmbedding(inputs, wires=range(n_qubits))
    # 强纠缠层
    qml.StronglyEntanglingLayers(weights, wires=range(n_qubits))
    # 输出 4 个 Pauli-Z 期望值 (作为分类 logit)
    return [qml.expval(qml.PauliZ(i)) for i in range(n_qubits)]

# 把 quantum layer 包成一个 PyTorch nn.Module
class QModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        # 3 层强纠缠 ansatz, 每层 4 qubit × 3 角度
        weight_shapes = {"weights": (3, n_qubits, 3)}
        self.qlayer = qml.qnn.TorchLayer(quantum_layer, weight_shapes)

    def forward(self, x):
        return self.qlayer(x)

model = QModel()
opt = torch.optim.Adam(model.parameters(), lr=0.01)
# ... 训练循环 ...

上面这段代码里，quantum_layer 就是 VQC 的量子部分. 它的输出是 4 个实数 (4 个 Pauli-Z 期望值，各 ∈ [-1, 1])，直接当作分类器的 logit. 反向传播走 PyTorch 的 autograd，量子部分的梯度由 PennyLane 的参数移位法则 (parameter-shift rule) 自动给出。

# 参数移位法则: 解析地求 d⟨O⟩/dθ, 不需要数值有限差分
# 对任何参数化酉 R_θ = exp(-iθ/2 P) (P 是 Pauli),
# d⟨O⟩/dθ = (1/2)[⟨O⟩_{θ+π/2} - ⟨O⟩_{θ-π/2}]
# 这意味着想求一个参数的梯度, 跑两次电路即可
import pennylane as qml
from pennylane import numpy as np

dev = qml.device("default.qubit", wires=1)

@qml.qnode(dev)
def circuit(theta):
    qml.RX(theta, wires=0)
    return qml.expval(qml.PauliZ(0))

# autograd 自动用 parameter-shift
theta = np.array(0.5, requires_grad=True)
qml.grad(circuit)(theta)  # = -sin(0.5) ≈ -0.479

9. 量子优势之争：2026 年的冷静期¶

9.1 "量子优势"的实验里程碑¶

"量子优势 (quantum supremacy / quantum advantage)" 指量子设备在特定任务上跑赢最强经典超算。

Google Sycamore 2019: 53 qubit 随机线路采样，宣称 200 秒完成经典需 1 万年的任务。后被 IBM 等用更聪明的经典算法反驳，实际经典模拟时间可降到数天
中国九章 (2020, 2021 更新)：光量子玻色采样，在特定高斯玻色采样任务上达成量子优势
USTC 祖冲之 2.0/3.0 (2021)：超导随机线路采样，进一步推高经典模拟成本

这些实验的共同点：它们都是专门设计来让量子容易、经典困难的"证明存在性"任务，没有直接的实用价值. 业界把它们定位为必要的中间步骤，但离"商业可用的量子加速"还有距离。

9.2 现实评估¶

到 2026 年中，严肃的共识是:

量子优势在特定采样问题上已经达成 (Google、中国九章系列)，但在ML 训练、化学模拟、优化等实际任务上尚未达成
NISQ 时代 VQA/QML 的真正问题是噪声与贫瘠高原，而不是量子门理论本身
真正的"杀手级应用"在 FTQC 时代；2026–2030 是过渡期，主要任务是算法、纠错、硬件三者协同进化

中国科学院潘建伟院士等学者在多次公开报告中强调："九章不是量子计算机的终点，而是量子信息实用化的起点". 这是非常中肯的判断。

10. 中国生态：本源、国盾、潘建伟团队¶

中国 QML 生态值得单独一节，因为它在全球版图里有一席之地。

10.1 硬件公司¶

本源量子 (Origin Quantum): 2017 年成立，中科大系。 2021 年发布"悟源"超导量子计算机 (5–20 qubit), 2024 年的"悟空"提升到 72 qubit 并通过云平台对外服务。推出了国内首个量子计算编程框架 QPanda
国盾量子 (QuantumCTek)：中科大控股，主营量子保密通信，也介入量子计算整机研发
图灵量子 (TuringQ)：上海交大系创业公司，走光量子 + 超导双路线
启科量子 (QuSeed)：北京团队，主打离子阱

10.2 学术与国家队¶

中科大潘建伟团队：主导九章系列 (光量子)、祖冲之系列 (超导), 2023 年起与国盾、本源合作推进工程化
中科院量子信息重点实验室：合肥，凝聚态理论 + 实验并行
北京大学、清华、北航：偏算法和软件，多个课题组在 VQE、QAOA、QML 理论稳定性上发文
百度、华为、腾讯：百度出 PaddleQuantum，华为出 MindQuantum，腾讯在量子化学模拟上有布局

10.3 软件与教育¶

QPanda (本源): Python/C++ 接口，国内用户量最大的量子编程框架之一
PaddleQuantum (百度)：与飞桨生态整合，教学资源丰富
HiQ (华为云)：云端量子计算服务，早期接入超导硬件

整体上，中国生态呈"国家队主导硬件、商业公司在工具链和应用层发力"的结构。与 IBM Quantum、Google Quantum AI 的"厂商闭环"模式相比，中国的硬件 + 软件更分散，但在国家级项目下协调效率较高。

11. 现实挑战：噪声、比特数、量子优势未实证¶

把以上的乐观叙事压一压，我们需要诚实地说:

硬件噪声：当前 2-qubit 门误差 0.1%–1%，单 qubit 误差 0.01%–0.1%. 跑深度 100+ 的电路，累计错误会让结果信噪比崩盘。这就是为什么 VQA 几乎都限制深度 5–20 层
比特数不足: Algorithmic qubit (去除校准、连通性损失后的有效比特) 普遍低于物理 qubit 的一半。一个表面码逻辑 qubit 要 ~ 1000 物理 qubit，跑 Shor 算法需要几百万物理 qubit
量子优势尚未在 ML 任务上实证：在化学模拟 (H₂、LiH) 上量子方法已经逼近化学精度，但没超过经典 CCSD(T). 在 ML benchmark 上 VQC 与经典 SVM、神经网络胜负未分，甚至有 Huang 等 2021 论文证明大多数情况下经典难压倒
可训练性问题: Barren plateau 没通用解，很多 ansatz 设计靠经验
软件 / 人才培养缺口：真正理解 QML 算法 + 经典 ML + 量子物理三栖的工程师全球可能不足万人

短期最现实的路径是混合架构 (hybrid architectures)：经典模型做主，量子层挑难点跑，端到端联合训练。这也是 IBM Quantum 2025 年主打的方向 ("quantum-centric supercomputing").

12. 一段回顾代码：VQE 与 QAOA 的 same skeleton¶

我们把 VQE 和 QAOA 放一起看，你会发现它们的"骨架"是一样的 —— 都是带参数的电路 + 期望值 + 经典优化器。唯一区别是目标哈密顿量和ansatz 不同。

import pennylane as qml
from pennylane import numpy as np

# 公共工具: VQE/QAOA 都用参数化电路 + 测量 + 优化
def vqa_skeleton(cost_h, ansatz, init_params, n_iter=100, lr=0.1, opt_name="adam"):
    """
    cost_h: qml.Hamiltonian, 要测量/优化的可观测量
    ansatz: callable(params, wires), 参数化电路
    init_params: 初始参数数组
    """
    wires = ansatz.wires
    dev = qml.device("default.qubit", wires=len(wires))

    @qml.qnode(dev)
    def cost(params):
        ansatz(params, wires=wires)
        return qml.expval(cost_h)

    if opt_name == "adam":
        opt = qml.AdamOptimizer(stepsize=lr)
    else:
        opt = qml.GradientDescentOptimizer(stepsize=lr)

    params = init_params
    for it in range(n_iter):
        params, loss = opt.step_and_cost(cost, params)
        if it % 20 == 0:
            print(f"iter={it:3d}, loss={loss:.6f}")
    return params

调用 VQE:

H_vqe = qml.Hamiltonian([0.5, 0.5], [qml.PauliZ(0), qml.PauliX(0) @ qml.PauliX(1)])

def he_ansatz(params, wires):
    for w in wires:
        qml.RX(params[0, w], wires=w)
        qml.RY(params[1, w], wires=w)
    for i in range(len(wires) - 1):
        qml.CNOT(wires=[wires[i], wires[i+1]])

class WireList(list): pass
he_ansatz.wires = WireList([0, 1])

final_params = vqa_skeleton(H_vqe, he_ansatz, np.random.randn(2, 2) * 0.1)

调用 QAOA (MaxCut on 3-node line):

# MaxCut 哈密顿量: C = 0.5 * (1 - Z0Z1) + 0.5 * (1 - Z1Z2)
H_qaoa = qml.Hamiltonian(
    [0.5, 0.5, -0.5, -0.5],
    [qml.PauliZ(0) @ qml.PauliZ(1), qml.PauliZ(1) @ qml.PauliZ(2),
     qml.PauliZ(0), qml.PauliZ(2)]
)

def qaoa_ansatz(params, wires):  # params shape (2p,)
    p = len(params) // 2
    for w in wires:
        qml.Hadamard(wires=w)
    for i in range(p):
        # cost layer
        for j in range(len(wires) - 1):
            qml.CNOT(wires=[wires[j], wires[j+1]])
            qml.RZ(2 * params[2*i], wires=wires[j+1])
            qml.CNOT(wires=[wires[j], wires[j+1]])
        # mixer layer
        for w in wires:
            qml.RX(2 * params[2*i + 1], wires=w)

qaoa_ansatz.wires = WireList([0, 1, 2])
final_params_qaoa = vqa_skeleton(H_qaoa, qaoa_ansatz, np.random.randn(2) * 0.1)

看出 VQE 和 QAOA 的共同骨架了吧？这就是变分量子算法的本质：一份参数化电路 + 一份可观测量的期望值 + 一份经典优化器。剩下的全是工程问题。

13. 算法总结：一张表对照¶

算法	提出	任务	ansatz	优势场景	现实瓶颈
VQE	Peruzzo 2014	求哈密顿量基态	硬件高效	小分子能量	比特数与电路深度都还差
QAOA	Farhi 2014	组合优化	p 层交替	MaxCut 等	采样开销大
VQC	2018+	监督分类	数据重上传	小数据 toy 任务	噪声下鲁棒性差
QSVM	Havlíček 2019	监督分类	量子特征映射	难核分类问题	可计算等价核被证存在
QGAN	2018+	生成模型	量子生成器	探索期	训练不稳

📌 本节要点¶

量子比特 (qubit): \(|\psi\rangle = \alpha|0\rangle + \beta|1\rangle\) 是两者的复数线性组合，模平方是测量概率；单 qubit 状态可视化为 Bloch 球面上的点。
叠加 + 纠缠 + 测量：三件套决定了 QML 的能力上限。多 qubit 叠加带 \(2^n\) 个状态，但测量会塌缩到单一经典结果，需要巧用干涉汇聚答案。
量子门: Pauli (X/Y/Z) 与 Hadamard 负责基本变换，CNOT 造纠缠，旋转门 \(R_x/R_y/R_z(\theta)\) 是参数化主力。任意单 qubit 酉变换可由三个旋转合成。
参数化量子电路 (PQC)：门里带可训练角度 \(\boldsymbol{\theta}\)，测量得 \(\langle\hat{O}\rangle\)，由经典优化器调参 —— 是 QML 的"量子层"，也是 VQE/QAOA/VQC 的骨架。
VQE / QAOA: VQE 用 ansatz 求哈密顿量基态，主攻化学；QAOA 用交替 cost-mixer 层近似组合优化，\(p\) 层时收敛精度随 \(p\) 提高。二者都是 Peruzzo 2014、Farhi 2014 的经典工作。
量子核方法：量子特征映射把数据升维到 Hilbert 空间，量子核 \(K = |\langle\phi(\mathbf{x})|\phi(\mathbf{x'})\rangle|^2\) 作为 SVM 内积。 Havlíček 2019 在 IBM Q 上做了首次验证，但 Huang 2021 给出了负面结果。
贫瘠高原 (Barren Plateaus): McClean 2018 证明深度 / 宽度增长时梯度方差指数衰减，训练停滞。缓解靠局部 ansatz、identity init、局部损失。
NISQ 时代: 50–1000 qubit + 0.1–1% 门误差的现状，限制了电路深度。真正算法突破在 FTQC 时代。 Google Willow 2024 已在表面码上达成逻辑错误率随码距下降。
中国生态：本源 (Origin) 悟空 72 qubit，国盾量子布局硬件，潘建伟团队的九章 / 祖冲之系列主导光量子与超导两条路线；软件侧百度 PaddleQuantum、华为 MindQuantum、本源 QPanda 各有侧重。
现实边界：真正的量子优势目前只在专门设计的采样问题上达成 (Google Sycamore、九章、祖冲之)，在 ML、化学等任务上尚未实证胜出经典. 2026–2030 是混合架构为主的过渡期。

下一步: 02 节"神经形态计算"会带我们去另一种"非冯·诺依曼"的计算范式 —— 脉冲神经网络与类脑芯片，它和量子计算是两个独立但都试图逃离 GPU 主权的主张。

📚 参考文献 (References)¶

下面列出本文引用的主要论文与资料，读者可按图索骥。所有 arXiv 编号与年份都与原论文一致，引用格式参考各原刊。

关于图片来源：本节所有 SVG 图片 (Bloch 球、Bell 电路、Barren plateau) 均为建议配图，路径 ../../images/ch20_01_*.svg 占位，由主编请插画师补绘或在 v1.2 中提供手写版。

Peruzzo, A., McClean, J., Shadbolt, P., Yung, M.-H., Zhou, X.-Q., Love, P. J., Aspuru-Guzik, A., & O'Brien, J. L. (2014). "A variational eigenvalue solver on a quantum processor." Nature Communications, 5, 4213. arXiv: 1304.3061. ↩
Farhi, E., Goldstone, J., & Gutmann, S. (2014). "A Quantum Approximate Optimization Algorithm." arXiv: 1411.4028. ↩
Havlíček, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., & Gambetta, J. M. (2019). "Supervised learning with quantum-enhanced feature spaces." Nature, 567(7747), 209–212. arXiv: 1804.11326. ↩
McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). "Barren plateaus in quantum neural network training landscapes." Nature Physics, 14(5), 476–481. arXiv: 1803.11173. ↩
Preskill, J. (2018). "Quantum Computing in the NISQ era and beyond." Quantum, 2, 79. arXiv: 1801.00862. ↩
Schuld, M., Sweke, R., & Meyer, J. J. (2020). "Effect of data encoding on the expressive power of variational quantum machine-learning models." Physical Review Research, 3, 033059. arXiv: 2008.08605. ↩
Huang, H.-Y., Broughton, M., Mohseni, M., Babbush, R., Boixo, S., Neven, H., & McClean, J. R. (2021). "Power of data in quantum machine learning." Nature Communications, 12, 2631. ↩
Google Quantum AI. (2024). "Quantum error correction below the surface code threshold." Nature, 638, 920–926. ↩