量子神经网络（附录1：含参量子门与矩阵欧拉公式）¶

预备知识：矩阵指数与矩阵欧拉公式¶

在我们正式介绍含参数的量子门之前，需要先掌握一个关键的数学工具：矩阵指数 (Matrix Exponential)。这听起来可能有点吓人，但它的思想其实非常直观，是我们熟悉的指数函数 \(e^x\) 在矩阵世界中的自然推广。

回顾：指数函数的泰勒展开¶

我们知道，标量指数函数 \(e^x\) 可以通过泰勒级数展开：

\[ e^x = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \dots = \sum_{n=0}^{\infty} \frac{x^n}{n!} \]

这个展开式只涉及加法和乘法，而这两种运算在矩阵中都有明确的定义，因此它可以原封不动地搬到矩阵上。

定义：矩阵指数 \(e^A\)¶

对于一个方阵 \(A\)，我们把矩阵指数 \(e^A\) 定义为将 \(A\) 代入上述泰勒级数所得到的矩阵：

\[ e^A = I + A + \frac{A^2}{2!} + \frac{A^3}{3!} + \dots = \sum_{n=0}^{\infty} \frac{A^n}{n!} \]

其中：

\(I\) 是单位矩阵（相当于标量中的 1）；
\(A^2 = A \cdot A\)，\(A^3 = A \cdot A \cdot A\)，等等；
这个级数对于任何方阵 \(A\) 都是收敛的，所以 \(e^A\) 总是一个定义良好的矩阵。

重要提示：一般来说，\(e^{A+B} \neq e^A e^B\)。只有当 \(A\) 和 \(B\) 对易 (commute) 时，即 \(AB = BA\)，等号才成立。原因在于 \(e^A e^B\) 的展开式中会出现形如 \(AB\) 与 \(BA\) 的项，只有二者相等时才能合并成 \(e^{A+B}\) 中 \(A+B\) 的各次幂。

回顾：欧拉公式 \(e^{i\theta}\)¶

我们熟悉的欧拉公式连接了指数函数和三角函数：

\[ e^{i\theta} = \cos(\theta) + i\sin(\theta) \]

这个公式也可以通过泰勒展开来证明：将 \(x = i\theta\) 代入 \(e^x\) 的展开式，并把实部与虚部分开整理，就分别得到 \(\cos(\theta)\) 和 \(\sin(\theta)\) 的泰勒展开式。

推广：矩阵欧拉公式¶

现在，让我们把这个思想应用到矩阵上。我们特别关心形如 \(e^{i\theta M}\) 的矩阵，其中 \(M\) 是一个矩阵，\(\theta\) 是一个标量。按定义展开：

\[ e^{i\theta M} = I + (i\theta M) + \frac{(i\theta M)^2}{2!} + \frac{(i\theta M)^3}{3!} + \dots \]

\[ = I + i\theta M - \frac{\theta^2 M^2}{2!} - i\frac{\theta^3 M^3}{3!} + \dots \]

第二个等号用到 \((i\theta M)^2 = i^2\theta^2 M^2 = -\theta^2 M^2\) 和 \((i\theta M)^3 = i^3\theta^3 M^3 = -i\theta^3 M^3\)。

一个非常特殊且有用的情况：当 \(M^2 = I\) 时。

如果一个矩阵 \(M\) 的平方是单位矩阵 \(I\)，那么上面的展开会变得异常简洁。三个泡利矩阵都满足这个性质：

\[\begin{split} X^2 = \begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}^2 = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} = I, \qquad Y^2 = \begin{pmatrix} 0 & -i \\ i & 0 \end{pmatrix}^2 = \begin{pmatrix} (-i)(i) & 0 \\ 0 & (i)(-i) \end{pmatrix} = I, \qquad Z^2 = I, \end{split}\]

其中 \(Y^2\) 的对角元用了 \((-i)(i) = -i^2 = 1\)。由 \(M^2 = I\) 出发可以归纳出幂次的规律：

\(M^3 = M^2 \cdot M = I \cdot M = M\)
\(M^4 = M^2 \cdot M^2 = I \cdot I = I\)
一般地，奇数次幂等于 \(M\)，偶数次幂等于 \(I\)。

现在我们重新整理 \(e^{i\theta M}\) 的展开式，把含有 \(I\) 的项和含有 \(M\) 的项分开：

\[ e^{i\theta M} = \left( I - \frac{\theta^2}{2!}I + \frac{\theta^4}{4!}I - \dots \right) + i \left( \theta M - \frac{\theta^3}{3!}M + \frac{\theta^5}{5!}M - \dots \right) \]

把公共的 \(I\) 和 \(M\) 提取出来：

\[ = I \left( 1 - \frac{\theta^2}{2!} + \frac{\theta^4}{4!} - \dots \right) + iM \left( \theta - \frac{\theta^3}{3!} + \frac{\theta^5}{5!} - \dots \right) \]

我们会发现，括号里的两部分正是 \(\cos(\theta)\) 和 \(\sin(\theta)\) 的泰勒展开式！因此，我们得到了一个极其重要的矩阵欧拉公式：

如果 \(M^2 = I\)，那么 \(e^{i\theta M} = \cos(\theta)\,I + i\sin(\theta)\,M\)

学以致用：推导旋转门 \(R_x(\theta)\)¶

含参数的旋转门正是通过矩阵指数定义的。例如，绕 X 轴的旋转门 \(R_x(\phi)\) 定义为：

\[ R_x(\phi) = e^{-i\frac{\phi}{2}X} \]

这里的 \(M\) 就是泡利矩阵 \(X\)，而 \(\theta\) 对应于 \(-\frac{\phi}{2}\)。因为 \(X^2 = I\)，我们可以直接应用刚刚推导出的矩阵欧拉公式：

\[ R_x(\phi) = \cos\left(-\frac{\phi}{2}\right) I + i\sin\left(-\frac{\phi}{2}\right) X \]

再利用 \(\cos(-x) = \cos(x)\) 和 \(\sin(-x) = -\sin(x)\)，得到

\[ R_x(\phi) = \cos\left(\frac{\phi}{2}\right) I - i\sin\left(\frac{\phi}{2}\right) X \]

现在，把 \(I\) 和 \(X\) 的矩阵形式代入：

\[\begin{split} R_x(\phi) = \cos\left(\frac{\phi}{2}\right)\begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} - i\sin\left(\frac{\phi}{2}\right)\begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix} \end{split}\]

\[\begin{split} = \begin{pmatrix} \cos\left(\frac{\phi}{2}\right) & 0 \\ 0 & \cos\left(\frac{\phi}{2}\right) \end{pmatrix} - \begin{pmatrix} 0 & i\sin\left(\frac{\phi}{2}\right) \\ i\sin\left(\frac{\phi}{2}\right) & 0 \end{pmatrix} \end{split}\]

\[\begin{split} = \begin{pmatrix} \cos\left(\frac{\phi}{2}\right) & -i\sin\left(\frac{\phi}{2}\right) \\ -i\sin\left(\frac{\phi}{2}\right) & \cos\left(\frac{\phi}{2}\right) \end{pmatrix} \end{split}\]

这正是我们在正文 2.1 节看到的 \(R_x\) 门的矩阵形式。

举一反三：推导 \(R_y(\phi)\) 与 \(R_z(\phi)\)¶

\(R_y\) 和 \(R_z\) 的推导与 \(R_x\) 完全平行，我们把它们完整地写出来。

\(R_y\) 的推导。 由定义 \(R_y(\phi) = e^{-i\frac{\phi}{2}Y}\)，且 \(Y^2 = I\)，矩阵欧拉公式给出

\[ R_y(\phi) = \cos\left(\frac{\phi}{2}\right) I - i\sin\left(\frac{\phi}{2}\right) Y. \]

计算第二项中的矩阵乘积 \(-iY\)（标量 \(-i\) 乘以矩阵的每个元素）：

\[\begin{split} -iY = -i\begin{pmatrix} 0 & -i \\ i & 0 \end{pmatrix} = \begin{pmatrix} 0 & (-i)(-i) \\ (-i)(i) & 0 \end{pmatrix} = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}, \end{split}\]

其中用到 \((-i)(-i) = i^2 = -1\) 和 \((-i)(i) = -i^2 = 1\)。因此

\[\begin{split} R_y(\phi) = \cos\left(\frac{\phi}{2}\right)\begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} + \sin\left(\frac{\phi}{2}\right)\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix} = \begin{pmatrix} \cos\left(\frac{\phi}{2}\right) & -\sin\left(\frac{\phi}{2}\right) \\ \sin\left(\frac{\phi}{2}\right) & \cos\left(\frac{\phi}{2}\right) \end{pmatrix}. \end{split}\]

\(R_z\) 的推导。 由定义 \(R_z(\phi) = e^{-i\frac{\phi}{2}Z}\)，且 \(Z^2 = I\)，矩阵欧拉公式给出

\[ R_z(\phi) = \cos\left(\frac{\phi}{2}\right) I - i\sin\left(\frac{\phi}{2}\right) Z. \]

由于 \(Z = \begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix}\) 是对角矩阵，两项相加仍是对角矩阵：

\[\begin{split} R_z(\phi) = \begin{pmatrix} \cos\left(\frac{\phi}{2}\right) - i\sin\left(\frac{\phi}{2}\right) & 0 \\ 0 & \cos\left(\frac{\phi}{2}\right) + i\sin\left(\frac{\phi}{2}\right) \end{pmatrix} = \begin{pmatrix} e^{-i\phi/2} & 0 \\ 0 & e^{i\phi/2} \end{pmatrix}, \end{split}\]

最后一步用了复数的欧拉公式 \(e^{\pm ix} = \cos x \pm i\sin x\)。

数值检验与两个有用的推论¶

我们可以用一个具体的角度来检验矩阵欧拉公式的正确性。取 \(M = X\)、\(\theta = \frac{\pi}{2}\)：

\[ e^{i\frac{\pi}{2}X} = \cos\left(\frac{\pi}{2}\right) I + i\sin\left(\frac{\pi}{2}\right)X = 0 \cdot I + i \cdot X = iX. \]

这个结果可以用另一条路径交叉验证。一方面，直接平方：

\[ (iX)^2 = i^2 X^2 = -I; \]

另一方面，由于同一个矩阵的指数总是对易的，\(e^{A}e^{A} = e^{2A}\)，故

\[ e^{i\frac{\pi}{2}X}\, e^{i\frac{\pi}{2}X} = e^{i\pi X} = \cos(\pi) I + i\sin(\pi) X = -I. \]

两条路径给出相同的答案，公式自洽。

矩阵欧拉公式还立刻给出旋转门的一个著名性质：量子比特要"转两圈"才回到原处。把 \(\phi = 2\pi\) 代入 \(R_x\) 的闭式表达式：

\[ R_x(2\pi) = \cos(\pi) I - i\sin(\pi) X = -I \neq I, \qquad R_x(4\pi) = \cos(2\pi) I - i\sin(2\pi) X = I. \]

也就是说，把量子比特绕任意轴旋转 \(2\pi\)，得到的不是原来的态而是它的全局相位取反；只有旋转 \(4\pi\) 才严格复原。这个区别于经典比特的标志性现象，其根源正是矩阵欧拉公式中出现的半角 \(\frac{\theta}{2}\)。

小结：

矩阵指数 \(e^A\) 是指数函数在矩阵上的推广，由与标量情形完全相同的泰勒级数定义。
当生成元矩阵 \(M\) 满足 \(M^2 = I\) 时，矩阵欧拉公式 \(e^{i\theta M} = \cos(\theta)I + i\sin(\theta)M\) 成立，它把无穷级数压缩成两项。
我们即将学习的含参数旋转门，其定义源于矩阵指数，其矩阵形式源于矩阵欧拉公式。这个工具是连接抽象定义和具体矩阵计算的桥梁。