量子核方法

前置阅读：量子数据编码详解（特征映射与诱导核）、量子神经网络的贫瘠高原（集中测度视角，本词条第 4 节直接续用）。

本词条要点：

1. 复习经典核方法的最小必需件（核技巧、RKHS、SVM 对偶式），确保量子部分不悬空。
2. 掌握量子核的定义（投影核）、从线路估计核矩阵的方法（内积碰撞测量）与完整训练流程。
3. 理解”QNN 与核方法等价”的视角转换（Schuld 2021）：变分模型其实是某个量子核 RKHS 里的线性模型。
4. 认清两个关键事实：核难算 ≠ 优势（学习论分离与反例），以及核指数集中（深度/纠缠把核推向常数，与贫瘠高原同源）。
5. 会按规范（核矩阵可经典模拟吗？核是否已集中？任务有没有结构？）评估一篇量子核论文的成色。

1. 经典核方法：三十秒到所需的全部

给定特征映射 $\varphi :\mathcal{X}\to \mathcal{H}$（希尔伯特空间），核函数 $k(x,x^{\prime })=⟨\varphi (x),\varphi (x^{\prime })⟩$。核技巧：一切只依赖内积的算法（SVM、核回归、核 PCA、高斯过程）都无需显式 $\varphi$，只需核矩阵 $K_{ij}=k(x_i,x_j)$。Mercer 定理保证正定核对应唯一再生核希尔伯特空间 (RKHS)，模型假设空间 = RKHS 中的函数。软间隔 SVM 的对偶形式是典型：

$$\underset{\alpha }{\max }\sum _i{\alpha }_i-\frac{1}{2}\sum _{ij}{\alpha }_i{\alpha }_j{y}_i{y}_{j}k(x_i,x_j),\text{s.t. }0\le {\alpha }_i\le C,\sum _i{\alpha }_i{y}_i=0,$$

解为 $f(x)={\sum }_i{\alpha }_i{y}_{i}k(x_i,x)$——模型完全由核决定。把 $\varphi$ 换成量子特征映射，就进入本词条。

2. 量子核：定义、估计与流程

定义。取编码线路 $U_{\varphi }(x)$，量子特征态 $|\varphi (x)⟩=U_{\varphi }(x)|0{⟩}^{\otimes n}$。两种标准核：

$$k_{\text{inprod}}(x,x^{\prime })=|⟨\varphi (x)|\varphi (x^{\prime })⟩{|}^2(\text{内积/碰撞核})，k_{\text{proj}}(x,x^{\prime })=⟨\varphi (x)|\rho (x^{\prime })|\varphi (x)⟩(\text{投影核，}\rho =|\varphi ⟩⟨\varphi |\text{ 或混合推广}).$$

核的线路估计（无需任何振幅估计）：内积核有两条标准路——(a) 交换检验：制备 $|\varphi (x)⟩|\varphi (x^{\prime })⟩$，对两寄存器做受控 SWAP、测辅助比特，成功概率 $\frac{1+|⟨\varphi (x)|\varphi (x^{\prime })⟩{|}^2}{2}$；(b) 碰撞测量（NISQ 主力）：把 $U_{\varphi }^{†}(x^{\prime })U_{\varphi }(x)$ 串在线路末尾、测全零概率——$\mathrm{Pr}(0^n)=|⟨\varphi (x)|\varphi (x^{\prime })⟩{|}^2=k(x,x^{\prime })$，$O(\log (1/\delta )/{\epsilon }^2)$ 次采样把每对核值估到加性 $\epsilon$。对角项 $k(x,x)=1$ 自动归一。

完整流程（“量子核 SVM”）：

1. 选编码 $U_{\varphi }$（这是全部的模型设计，见第 4 节的设计准则）；
2. 对训练集 $\{x_i{\}}_{i=1}^M$ 估核矩阵 $K$：$M(M+1)/2$ 次两两碰撞测量，量子设备只做这一步；
3. 经典侧解 SVM 对偶（或核回归/GP）；
4. 预测时同样在线路上估 $k(x_{\text{test}},x_i)$，代入 $f(x)$。

与 QNN的关键工程区别：没有变分优化——不训参数、无 landscapes、天然免疫贫瘠高原的优化难题（第 4 节会看到核有自己的”集中”病）。量子的角色被压缩为”计算一个经典难算的核矩阵”。

3. 视角转换：变分 QNN 其实是核模型

Schuld (2021) 的观察给两类模型画了等号。固定数据编码 $U_{\varphi }(x)$ 与可训练线路 $W(\mathbf{\theta })$，模型

$$f_{\mathbf{\theta }}(x)=⟨0|W^{†}{U}_{\varphi }^{†}(x)M{U}_{\varphi }(x)W|0⟩=⟨{\varphi }^{\prime }(x)|\underset{{\rho }_W}{\underbrace{W^{†}MW}}|{\varphi }^{\prime }(x)⟩,$$

其中 $|{\varphi }^{\prime }(x)⟩=U_{\varphi }(x)W|0⟩$ 是”把可训练酉搬进编码”后的新特征映射、${\rho }_W$ 是可训练观测量。于是：任何监督式 QNN = 某个（数据依赖的）量子核 RKHS 里的线性模型，可训练参数只是在选 RKHS 里的方向。两个直接推论：

• 分析 QNN 泛化时，正确的工具是核/RKHS 的容量度量（核的谱、有效维度），而不是经典深度学习的那套直觉；
• QNN 相对核方法唯一的”增量”是优化过程中特征映射本身在动（$W$ 进了 ${\varphi }^{\prime }$）——这正是训练困难（高原）与核集中风险的来源。

4. 优势的边界：难算的核不等于好用的核

(a) 分离结果与它的反面。Liu 等 (2021, Nature Physics) 构造了”不交核” (disjoint kernels) 的学习问题：某量子核把两类样本映到近乎正交的子空间，量子 SVM 以 $O(\mathrm{poly})$ 样本完美分类；并证明在标准密码假设下，经典算法（即使把核当作预言机来采样）需要指数多样本。这是量子核的第一个严格学习论加速。但同一框架立刻给出对称的坏消息：也存在量子核上的问题，经典（去量子化/dequantization 式）方法多项式可解而任何用量子核的算法都要指数样本。结论是刻薄而清醒的：“量子核难经典计算”本身不构成优势的证据；优势取决于核与任务标签结构的匹配。审稿口径：没有”任务结构 ↔ 核结构”论证的核加速主张，默认存疑。

(b) 指数集中：核的贫瘠高原。第二重边界来自集中测度（贫瘠高原的孪生现象）。近期结果（Thanasilp 等，2024）表明：当编码线路随比特数 $n$、深度 $L$ 或纠缠量增长时，随机采样的两个核值以高概率集中到期望值附近，涨落指数级缩小：

$$k(x,x^{\prime })\approx \bar{k}\text{（常数）}+O\left(2^{-n}\right)\text{ 级涨落}.$$

核矩阵一旦”糊成一片”（对角占优消失、谱塌缩），SVM 学不到任何结构——能表达的核太多，能用的核太少。与高原同源的原因：高维希尔伯特空间中随机量子态几乎正交（$\bar{k}\to 0$），任何 Lipchitz 泛函集中。缓解策略也与高原一脉相承：浅编码、低纠缠、局域核（只对子集比特编码后拼接）、把可训练缩放参数放进 $U_{\varphi }$ 来”撑开”核的动态范围、以及小规模诊断先行——训练前先画训练集核值的直方图，若已集中在单点，换编码再谈。

(c) 全流程成本的现实。核矩阵 $M^2$ 级的量子估计 + 经典 $O(M^3)$ 的 SVM 求解；与经典核（高斯核等 $O(1)$ 评估）对比时，量子核每对的 ${\epsilon }^{-2}$ 采样开销必须入账。量子核的合理生态位：数据量子原生（传感器/模拟器输出）、或任务结构已知与某类多体纠缠特征对齐（如相位分类、量子数据纠错）的场景。

5. 设计清单：怎么挑一个能用的量子核

把本词条收成一张可执行的检查表：

1. 数据从哪来？ 经典数据 + 昂贵加载 $\Rightarrow$ 先算总账（上篇第 5 节）；量子原生 $\Rightarrow$ 核路线天然合理。
2. 核有没有集中？ 画 $k(x_i,x_j)$（$i\ne j$）直方图：宽度 $\gtrsim 1/\mathrm{poly}$ 才有信息；指数窄 $\Rightarrow$ 减深度/减纠缠/改局域核。
3. 核能不能经典模拟？ 能（低纠缠、稳定子段、小 $n$）$\Rightarrow$ 直接经典算核矩阵，量子设备没有存在感；不能 $\Rightarrow$ 追问”任务标签结构为什么恰好和这个难算的核对齐”（拿出分离式的论证，而不是耸肩）。
4. 基线跑了吗？ 高斯核、随机特征、梯度提升——量子核论文的第一张表永远是经典基线。
5. 规模诚实吗？ ${\epsilon }^{-2}$ 采样、$M^2$ 对核值、$M^3$ 经典求解，全部写进复杂度栏。

本词条总结

• 量子核 = 编码线路诱导的正定核；NISQ 上用碰撞测量估核矩阵，经典侧解 SVM——量子只做”难算的相似度”。
• 视角转换：监督式 QNN 就是（数据依赖）量子核 RKHS 里的线性模型；变分训练的全部增量在于特征映射本身随优化在动。
• 优势边界有三重：分离结果真实存在但依赖任务-核匹配；“难算”本身不是优势（有对称的反例）；指数集中让深/纠缠编码的核失去分辨力（高原的孪生病）。
• 设计清单五问：数据来源、集中诊断、经典可模拟性、经典基线、全成本核算。

习题

1. 证明碰撞测量 $\mathrm{Pr}(0^n)=|⟨\varphi (x)|\varphi (x^{\prime })⟩{|}^2$（提示：把 $U^{†}{U}^{\prime }$ 的作用展开到初态上）；并推导用 $N$ 次采样估计核值的标准差。
2. 手算上篇习题 2 的角度编码核 $k(x,x^{\prime })$ 对应的 RKHS：证明其函数形如 $f(x)=a\cos x+b\sin x+c$，并据此说明”该编码的 SVM 只能学一阶纹波边界”。
3. 集中实验：对 $n$ 比特随机铺开的角度编码（特征填充后接随机纠缠层，深度 $L$），数值计算训练集两两核值的方差随 $(n,L)$ 的标度；找出”核可用”的深度阈值曲线。
4. 证明”不交核”分离的采样下界直觉版：若两类样本的核子空间正交（类内 $k\approx 1$、类间 $k\approx 0$），SVM 样本复杂度为何是 $O(\log M)$ 级；再说明若核集中为常数，同一论证如何反转为不可学习。
5. 思考题：把贫瘠高原与本词条核集中并排，用集中测度写一段”统一说明”（两者各自集中的对象是什么泛函？为什么纠缠量都出现在指数上？）。

---

参考资料

• 本词条整理自《量子计算算法教程》原文：ch08-qml/quantum-kernel
• 内容遵循 CC BY-NC-SA 4.0 许可协议