核心原理

一、QSVM 混合计算的核心原理

在这篇文章的框架下，可以把“QSVM 混合计算”理解为：
利用量子计算机负责“核函数计算（即量子特征映射与量子态内积）”，利用经典计算机负责“基于核的 SVM 训练与推理” 的量子–经典混合模式。

其核心思想可以分解为三层：

1. 量子特征映射（Quantum Feature Map）

• 经典输入数据 \(x \in X\) 被编码为一个量子态 \(|\psi(x)\rangle\)，这就是一个特征映射： $$ \Phi: X \to \mathcal{F},\quad x \mapsto |\psi(x)\rangle $$ 其中 \(\mathcal{F}\) 是量子希尔伯特空间（特征空间）[1]。
• 从经典核方法的角度，这就是把数据从原始空间映射到一个**高维甚至无限维特征空间**，在这个空间中更容易线性可分。

2. 量子核（Quantum Kernel）

• 利用量子态内积定义核函数： $$ \kappa(x,x') = \langle\psi(x)|\psi(x')\rangle_{\mathcal{F}} $$
• 这个核函数对应一个再生核希尔伯特空间（RKHS），在该空间中，所有线性模型都可以写成核函数的线性组合： $$ f^*(x) = \sum_{m=1}^{M} a_m \,\kappa(x,x_m) $$ 这就是核方法和 SVM 的基础[1]。

3. 量子–经典混合：隐式量子核 + 经典 SVM

文章图 1 中的**隐式策略（implicit approach）**正是 QSVM 混合计算的原型：

• 量子部分：
  量子计算机实现特征映射电路 \(U_\Phi(x)\) 并估计量子态内积： $$ |\psi(x)\rangle = U_\Phi(x)|0\ldots 0\rangle,\quad \kappa(x,x') = \langle\psi(x)|\psi(x')\rangle $$
• 经典部分：
  把量子设备返回的核矩阵 \(K\) 交给经典 SVM 求解器，求出最优的 SVM 模型参数（如拉格朗日乘子 \(\alpha_m\) 等）。

因此，**QSVM 的核心原理**可以一句话概括为：

用量子电路实现一种可能对经典计算“难以模拟”的高维非线性特征映射，并在量子硬件上高效估计核函数 \(\kappa(x,x')\)，再把这些核值交给经典 SVM 进行训练与预测，从而形成量子–经典混合的支持向量机。

---

二、QSVM 混合计算的完整流程

下面按照**训练阶段**和**预测阶段**给出一个清晰的工作流。

1. 训练阶段（Training）

1. 数据准备

2. 给定训练集 \(\{(x_n,y_n)\}_{n=1}^M\)，其中 \(x_n \in X\)，标签 \(y_n \in \{-1,+1\}\)。

3. 设计量子特征映射电路 \(U_\Phi(x)\)

4. 在理论上：选定一种物理可实现的编码方式，把 \(x\) 映射到量子态 \(|\psi(x)\rangle\)（文章中有多种例子，如挤压态映射）[1][2]。

5. 在硬件上：这是一段参数依赖于输入 \(x\) 的量子电路。

6. 在量子设备上计算训练集核矩阵 \(K\)
   对所有训练样本对 \((x_n,x_m)\)：

7. 准备 \(|\psi(x_n)\rangle = U_\Phi(x_n)|0\ldots 0\rangle\)
8. 准备 \(|\psi(x_m)\rangle = U_\Phi(x_m)|0\ldots 0\rangle\)
9. 通过量子过程（如 SWAP test 或其他内积估计方法）估计内积： $$ K_{nm} = \kappa(x_n,x_m) = \langle\psi(x_n)|\psi(x_m)\rangle $$

10. 重复多次取统计平均，得到足够精度的核矩阵 \(K\)。

11. 经典 SVM 训练（完全在经典计算机上执行）

12. 将量子设备输出的核矩阵 \(K\) 与标签 \(\{y_n\}\) 输入到经典 SVM 求解器（如文中使用的 Python scikit-learn 的 SVC）[2]。
13. 求解标准 SVM 对偶优化问题，得到拉格朗日乘子 \(\{\alpha_n\}\) 和偏置 \(b\)。
14. 得到最终决策函数： $$ f(x) = \sum_{n=1}^{M} \alpha_n y_n\, \kappa(x,x_n) + b $$
15. 其中多数样本的 \(\alpha_n=0\)，只有支持向量对应的 \(\alpha_n>0\)。

2. 预测阶段（Inference / Testing）

给定一个新样本 \(x_{\text{new}}\)：

1. 在量子设备上计算与支持向量的核值

2. 对每个支持向量 \(x_i\)：

   • 准备 \(U_\Phi(x_{\text{new}})|0\ldots0\rangle\) 与 \(U_\Phi(x_i)|0\ldots0\rangle\)
   • 在量子设备上估计内积： $$ \kappa(x_{\text{new}},x_i) = \langle\psi(x_{\text{new}})|\psi(x_i)\rangle $$

3. 经典决策计算

4. 用训练阶段得到的 \(\alpha_i, y_i, b\) 在线性组合这些核值： $$ f(x_{\text{new}}) = \sum_{i\in SV} \alpha_i y_i\, \kappa(x_{\text{new}},x_i) + b $$
5. 最终预测标签： $$ \hat{y} = \text{sign}\big(f(x_{\text{new}})\big) $$

整条链路中，量子部分仅负责计算核函数 \(\kappa\)，所有优化和判决步骤都在经典侧完成，这就是“混合计算”的典型分工。

---

三、实例：基于“挤压特征映射”的 QSVM 流程解读

文章中给出了一个具有代表性的“玩具示例”：用**连续变量（CV）量子系统中的挤压态（squeezed vacuum states）作为量子特征映射**，并在经典端用 SVM（scikit-learn SVC）完成分类[2][3]。下面用这个例子完整走一遍 QSVM 工作流。

1. 量子特征映射：挤压态编码

• 单模挤压真空态定义为： $$ |z\rangle = |(r,\phi)\rangle $$ 其中 \(r\) 为挤压幅度、\(\phi\) 为挤压相位[2]。
• 文章中采用一种简化映射：
  设一个常数超参数 \(c\) 控制挤压强度，把输入 \(x\) 映射到相位： $$ x \mapsto |(c,x)\rangle $$
• 对于多维输入 \(x=(x_1,\dots,x_N)^\top\)，采用多模张量积： $$ \Phi: x \mapsto |(c,x_1)\rangle \otimes \cdots \otimes |(c,x_N)\rangle $$

于是每个样本 \(x\) 都被映射成一个多模挤压态，这个映射在理论上对应某个连续变量量子电路 \(U_\Phi(x)\)。

2. 量子核的形式

由挤压态的重叠度可以得到解析形式的核函数[2]：

• 单模重叠： $$ \langle(c,x)|(c,x')\rangle $$ 是 \(c\) 和相位差 \((x'-x)\) 的函数，文章给出其具体解析表达式（与 \(\text{sech}(c)\)、\(\tanh(c)\) 等函数相关）。
• 多模输入的核函数为： $$ \kappa(x,x';c) = \prod_{i=1}^{N} \langle(c,x_i)|(c,x'_i)\rangle $$
• 文中指出，这个挤压核具有如下性质：
• 可高效经典计算（因此在文章中模拟时并未真正调用量子硬件，但在概念上完全可以由量子硬件来实现核的评估）；
• 能够把某些数据集映射到**线性可分**的空间（Supplemental Material 中给出证明）。

3. 训练流程（以二维“moons/circles/blobs”数据集为例）

结合文章中图 3 的描述，QSVM 训练流程如下：

1. 准备训练数据

2. 例如“circles”“moons”“blobs”这类 2D 数据集，各有一定数量的训练点与测试点[3]。

3. 对每个训练样本 \(x_n\) 调用特征映射

4. 概念上：在量子设备上对两个真空模各施加对应的挤压操作，得到态： $$ |\psi(x_n)\rangle = |(c,x_{n,1})\rangle \otimes |(c,x_{n,2})\rangle $$

5. 用量子设备估计核矩阵 \(K\)

6. 对每对训练样本 \((x_n,x_m)\)：
   • 制备对应的量子态 \(|\psi(x_n)\rangle\) 与 \(|\psi(x_m)\rangle\)
   • 通过量子过程估计： $$ K_{nm} = \kappa(x_n,x_m;c) $$

7. 在文章的数值实验中，因为该核有显式解析式，直接在经典计算机中计算；但从算法结构上，这一步就是“QSVM 的量子部分”。

8. 在经典端训练 SVM

9. 将 \(K\) 输入到 scikit-learn 中的 SVC(kernel="precomputed")，使用标准 SVM 训练流程，得到支持向量与 \(\alpha_n,b\)[3]。
10. 图 3 显示：
    • QSVM 模型在三个数据集上都能成功学习非线性决策边界；
    • 调整超参数 \(c\) 会改变核函数的“宽度”，进而影响分类性能（第二行图对 \(c\) 的变化进行了演示）。

4. 预测流程示意

对于一个新的 2D 样本 \(x_{\text{new}}\)：

1. 量子侧（概念上）：
2. 制备 \(|\psi(x_{\text{new}})\rangle = |(c,x_{\text{new},1})\rangle\otimes|(c,x_{\text{new},2})\rangle\)。

3. 对每个支持向量 \(x_i\)，制备 \(|\psi(x_i)\rangle\)，估计 \(\kappa(x_{\text{new}},x_i;c)\)。

4. 经典侧：

5. 利用训练阶段求得的 \(\alpha_i,y_i,b\)，计算： $$ f(x_{\text{new}}) = \sum_{i\in SV} \alpha_i y_i\, \kappa(x_{\text{new}},x_i;c) + b $$
6. 输出 \(\hat{y} = \text{sign}(f(x_{\text{new}}))\) 作为最终分类结果。

5. 小结：为什么这是 QSVM 混合计算的一个典型实例？

• 核心计算 \(\kappa(x,x')\) 源自量子态内积，原本应由量子硬件来实现；
• SVM 的优化与推理完全由经典算法（如 scikit-learn SVC）完成；
• 特征映射通过量子操作（挤压）隐式地把数据送入一个**无限维 Fock 空间**，由此获得强大的非线性表达能力[2][3]。

这正契合 QSVM 的基本思想：

用量子系统去“做一个好核”，用经典 SVM 去“用好这个核”。

---

四、总结（可直接拿来用的回答要点）

1. 核心原理
2. 将经典数据 \(x\) 通过量子电路 \(U_\Phi(x)\) 映射为量子态 \(|\psi(x)\rangle\)，构成高维量子特征空间；
3. 利用量子态内积定义核函数 \(\kappa(x,x')=\langle\psi(x)|\psi(x')\rangle\)；

4. 量子设备负责估计核矩阵，经典设备负责执行 SVM 训练与预测，形成量子–经典混合的 QSVM。

5. 完整流程

6. 训练：
   数据准备 → 设计量子特征映射 → 量子硬件评估训练集中所有样本对的核值 → 经典 SVM 用核矩阵训练，得到支持向量与参数。

7. 预测：
   对新样本用同一量子特征映射评估与支持向量的核值 → 经典侧代入 SVM 决策函数计算得分 → 取符号给出类别。

8. 实例（挤压特征映射 QSVM）

9. 输入 2D 数据 \(x=(x_1,x_2)\) 被映射到两模挤压真空态 \(|(c,x_1)\rangle\otimes|(c,x_2)\rangle\)；
10. 核函数是多模挤压态内积的乘积，具有解析形式，可使数据在特征空间线性可分；
11. 在“circles”“moons”“blobs”等数据集上，用该核训练的 SVM 可轻松学到复杂的非线性决策边界（图 3 所示），这就是一个具体、可操作的 QSVM 混合计算工作流示例。

---

References

[1] Quantum Machine Learning in Feature Hilbert Spaces – feature maps and kernels. Quantum Machine Learning in Feature Hilbert Spaces.pdf.
[2] Quantum Machine Learning in Feature Hilbert Spaces – squeezing as a feature map. Quantum Machine Learning in Feature Hilbert Spaces.pdf.
[3] Quantum Machine Learning in Feature Hilbert Spaces – implicit approach and SVM experiments (Fig. 3). Quantum Machine Learning in Feature Hilbert Spaces.pdf.