量子自编码器与Qudit VQC：高效混合量子-经典时间序列分类方案

1. 项目概述与核心思路拆解

最近在折腾一个挺有意思的课题：如何用混合量子-经典机器学习的方法，去处理一个规模不小的真实世界时间序列分类问题。具体来说，我们手头有一批从量子密钥分发（QKD）系统实验里采集到的数据，包含量子比特错误率（QBER）和安全密钥率（SKR）随时间变化的序列。这些数据对应着九种不同的量子信道状态，比如正常运行、存在不同功率的经典信号干扰、或者不同等级的衰减。我们的任务就是，给定最近N个时间点的QBER/SKR数据，让模型能实时判断出当前量子链路到底处于哪种状态。

这个活儿，之前团队用纯经典的深度神经网络（NN）干过，效果不错，准确率能到94%左右。但经典NN有个老生常谈的问题：参数量太大。我们之前那个三隐藏层的网络，有差不多6.7万个可训练参数。训练和推理的算力开销，尤其是在考虑未来部署到边缘或资源受限环境时，是个不得不考虑的现实问题。

于是我们就琢磨，能不能用现在挺火的变分量子电路（VQC）来替代那个深度NN？VQC被看作是量子神经网络（QNN），理论上能用更少的参数表达复杂的函数。但理想很丰满，现实往往骨感。直接把VQC怼到大规模、非结构化的时间序列数据上，效果通常不咋地，主要卡在两个地方：一是怎么把高维的经典数据高效、合理地“塞”进量子态里（也就是编码问题）；二是VQC本身的结构（ansatz）设计很头疼，尤其是用多个量子比特（qubit）时，怎么安排单比特门、纠缠门，是个需要大量试错和先验知识的超参数优化过程。

我们的核心思路，就是针对这两个痛点，搞了个“组合拳”：

1. 用量子自编码器（QAE）做智能编码：我们不直接用主成分分析（PCA）这类通用降维，而是设计了一个混合自编码器。它的瓶颈层（bottleneck layer）直接集成了目标VQC会用到的量子特征映射。这样训练出来的编码器，输出的特征表示是专门为后续的VQC“量身定制”的，更适配量子电路的“胃口”。
2. 用单个qudit替代多个qubit来构建VQC：Qudit可以理解为d能级的量子系统（d=2就是qubit）。我们直接用一个9能级的qudit（对应我们的9分类任务）。这样做的好处是，所有操作（用SU(d)群的生成元表示）在数学上是“平等”的，我们不需要费心设计qubit之间复杂的纠缠结构，电路设计变得极其简洁和统一，相当于规避了ansatz设计的难题。

最后，我们把特征提取（tsfresh）、特征选择（XGBoost）、QAE预处理、qudit VQC分类这几个模块串起来，形成了一个完整的混合机器学习流水线。实测下来，这个混合模型只用大约1130个参数（其中QAE占490个，VQC占640个），就在测试集上达到了93%的准确率，和6.7万参数的深度NN基本打平。参数量减少了近60倍，这个压缩比相当可观。

2. 核心组件深度解析：QAE与Qudit VQC

2.1 量子自编码器（QAE）：为VQC定制的数据转换器

经典自编码器大家都很熟悉，通过编码器把高维输入压缩到低维潜空间，再通过解码器重建，学习数据最本质的特征。量子自编码器（QAE）的思想类似，但它的潜空间表示和重建过程融入了量子特性。

在我们的设计里，QAE是一个经典的神经网络，但它有一个关键的量子化瓶颈层。结构是这样的：

• 输入层：5个神经元，对应经过tsfresh和XGBoost筛选后的5个最具判别力的时间序列特征（K=5）。
• 编码器隐藏层：80个神经元（D=80）。这是一个全连接层，将5维输入映射到80维。注意，这里不是降维，而是升维。为什么是80？因为后续我们的qudit VQC需要80个特征作为输入（原因在VQC部分解释）。
• 量子特征映射层（瓶颈层）：这是QAE的核心。我们将编码器输出的80维实向量 (\vec{\chi} = [\chi_1, \chi_2, ..., \chi_{80}])， 通过一个参数化的量子门操作编码到一个9能级qudit的量子态上。这个操作定义为： (\hat{U}{QAE}(\vec{\chi}) = \exp\left(-i \sum{j=1}^{80} \chi_j \hat{g}_j\right)) 其中 (\hat{g}_j) 是SU(9)李群的80个生成元（类比于qubit的泡利矩阵）。这个门作用在qudit的基态 (|0\rangle) 上，产生一个量子态 (|\chi\rangle)。然后，我们提取这个量子态的9个复数振幅的实部和虚部，得到一个18维的向量。
• 解码器：由两个全连接层构成。第一层18个神经元（对应量子态的18个实分量），第二层5个神经元（对应重建的原始5维特征）。解码器的目标是最小化输入与重建输出之间的均方误差（MSE）。

QAE的训练目标不是分类，而是无监督重建。通过最小化重建误差，我们迫使编码器学习到的80维表示 (\vec{\chi}) 必须包含原始5维特征中的所有关键信息，因为解码器要靠它来重建。更重要的是，由于瓶颈层的变换 (\hat{U}_{QAE}) 与我们最终VQC中用于数据编码的变换是同构的（都使用SU(9)生成元），这个80维表示 (\vec{\chi}) 天然就是最适合后续那个特定VQC的“量子友好型”特征。

实操心得：这里有一个微妙的点。QAE的训练是完全独立的、无监督的。我们先用所有训练数据训练好QAE，固定其参数。然后，在训练和测试VQC时，我们丢弃了解码器部分，只使用编码器（从输入层到80维输出层）。这80维输出 (\vec{\chi}) 就直接作为VQC的输入特征 (\vec{x})。这种“分阶段训练”策略非常稳定，避免了量子-经典混合模型端到端训练时可能出现的梯度不稳定或收敛困难问题。

2.2 基于Qudit的变分量子电路（VQC）：简洁而强大的分类器

变分量子电路（VQC）好比一个可编程的量子黑箱，输入是经典数据（或经典数据编码后的量子态），通过一系列含参数量子门的演化，最终对量子态进行测量，将结果用于经典损失函数计算和参数优化。

为什么选择Qudit而不是多个Qubit？这是本方案的一个关键设计抉择。对于9分类任务，理论上可以用4个qubit（2^4=16 > 9）来构建VQC。但这样做会引入一系列复杂性：

1. Ansatz设计难题：需要精心设计单比特旋转门、两比特纠缠门（如CNOT）的排列方式和层数。这是一个巨大的超参数空间，搜索成本高，且容易陷入局部最优或遭遇“贫瘠高原”问题。
2. 操作非均匀性：单比特门和两比特纠缠门在物理实现和算法表达上是不对等的，增加了电路设计和优化的复杂度。
3. 测量复杂度：需要从4个qubit的联合测量结果中提取信息，可能涉及复杂的经典后处理。

而使用一个d=9的qudit，所有上述问题都迎刃而解：

• 统一的数学框架：一个d能级系统的所有可能操作（幺正变换）可以由SU(d)群的生成元 ({\hat{g}_j}) 张成。对于我们的d=9，正好有80个生成元。这意味着，任何对qudit的操作都可以用这80个“方向”上的旋转组合来表示，它们在数学上是完全平等的，没有“单比特”和“两比特”的门类区分。
• 简化的电路结构：我们的VQC基本单元极其简洁，就是一个操作： (\hat{U}(\vec{\phi}l, \vec{x}) = \exp\left(-i \sum{j=1}^{80} x_j \phi^j_l \hat{g}_j \right)) 这里，(\vec{x}) 是QAE输出的80维特征，(\vec{\phi}_l) 是第 (l) 层可训练的参数向量。这个式子同时完成了数据���码和变分演化。数据 (x_j) 作为旋转角度的一部分被编码进去，而参数 (\phi^j_l) 则控制着这个旋转的“强度”。这种将编码和变分部分融合的紧凑形式，是受一些理论工作的启发，能更有效地利用希尔伯特空间。
• 自然的分类输出：Qudit有9个本征态 (|0\rangle, |1\rangle, ..., |8\rangle)。我们直接测量qudit处于哪个能级的概率。测量到结果 (k) 的概率 (P(k) = |\langle k|\psi_{final}\rangle|^2) 就自然地对应样本属于第 (k) 类的预测概率。无需像多qubit系统那样对多个比特的测量结果进行组合映射。

VQC的完整结构： 为了增加模型的表达能力（类似于经典NN中的隐藏层），我们采用了重复上传技术。即将上述基本单元 (\hat{U}(\vec{\phi}_l, \vec{x})) 串联起来，重复L次。每次重复都使用不同的参数集 (\vec{\phi}_l)，但输入的是同一个特征向量 (\vec{x})。这相当于让数据多次通过一个参数不同的“处理器”，引入了非线性。我们最终采用了L=8层。因此，整个VQC的总参数量是 80（特征维度） × 8（层数） = 640。 整个VQC的运作流程是：初始化qudit到 (|0\rangle) 态，依次应用8个 (\hat{U}(\vec{\phi}_l, \vec{x})) 门，最后在计算基下测量，得到9个概率值，取最大概率对应的类别作为预测。

注意事项：Qudit VQC的模拟需要能处理高维希尔伯特空间的量子计算模拟器。我们使用的是基于数值线性代数的模拟，直接操作9×9的幺正矩阵。对于d=9，幺正矩阵是81维的（复空间），虽然比多qubit系统的指数增长友好，但计算量依然需要关注。在实际量子硬件上，需要寻找天然或人工的d能级量子系统（如光子的轨道角动量模式、超导电路的多个能级等）来承载qudit。

3. 混合流水线构建与实操实现

3.1 整体架构与数据流

我们的混合机器学习流水线是一个分阶段的、经典与量子模块协作的系统。下图清晰地展示了从原始数据到最终分类的完整路径：

原始时间序列 (N=10个点) ↓ [经典特征工程模块] ├── tsfresh: 提取~1500个初始特征 └── XGBoost: 筛选最重要的K=5个特征 ↓ 5维特征向量 (K-plet) ↓ [量子自编码器 (QAE) - 训练后固定] ├── 编码器 (5 → 80 全连接层) ├── 量子特征映射 (SU(9)生成元) └── (解码器仅在训练QAE时使用) ↓ 80维优化特征向量 (D-plet) ↓ [Qudit 变分量子电路 (VQC)] ├── 初始化 |0⟩ 态 ├── 8层重复上传单元 U(φ_l, x) └── 计算基测量 ↓ 9个类别的概率分布 → 最终分类结果

第一阶段：经典特征提取与筛选

1. 数据准备：将每个类别下的长时序QBER/SKR数据，切割成连续的长度N=10的数据片段（N-plet）。按8:2划分训练集和测试集。
2. 特征提取：使用tsfresh库对每个N-plet自动提取大量（约1500个）时域和频域特征，如均值、方差、傅里叶系数、自相关等。
3. 特征选择：在所有训练数据上训练一个XGBoost分类器。利用XGBoost提供的特征重要性评分（如gain），我们选择最重要的Top K=5个特征。这步至关重要，它从高维稀疏特征中浓缩出最具判别力的信息，大幅降低了后续量子模块的输入维度负担。

第二阶段：QAE训练与特征转换

1. 构建QAE网络：如2.1节所述，搭建一个具有量子瓶颈层的自编码器。输入输出维度均为5，编码器隐藏层维度为80。
2. 训练QAE：使用全部训练集的5维特征（K-plet）作为输入和目标输出，以MSE为损失函数，用经典优化器（如Adam）进行无监督训练。目标是最小化重建误差。
3. 特征转换：训练完成后，冻结QAE编码器部分（输入层和80维隐藏层）。对于任何一个新的5维特征向量，前向传播通过这个冻结的编码器，得到对应的80维输出向量。这个向量就是为后续VQC“预处理”好的特征。

第三阶段：Qudit VQC训练与分类

1. 电路初始化：定义d=9的qudit系统。初始化8组参数 ({\vec{\phi}_1, ..., \vec{\phi}_8})，每组80个参数，通常从某个分布（如均匀分布）中随机采样。
2. 前向传播：
   • 将QAE输出的80维特征 (\vec{x}) 和当前参数 (\vec{\phi}_l) 代入公式 (\hat{U}(\vec{\phi}_l, \vec{x}))，计算8个幺正矩阵。
   • 依次将8个矩阵作用在初始态 (|0\rangle) 上，得到最终态 (|\psi_{final}\rangle)。
   • 计算最终态在9个计算基下的概率幅平方，得到9维概率向量 (\vec{P})。
3. 损失计算与优化：
   • 采用交叉熵损失函数：(L = -\sum_{i} y_i \log(p_i))，其中 (y) 是one-hot编码的真实标签，(p) 是预测概率。
   • 使用经典优化器（如带动量的SGD或Adam）来更新VQC的参数 (\vec{\phi})。梯度计算通过参数移位规则（parameter-shift rule）或自动微分（在模拟器中）进行。
4. 推理：训练完成后，对于测试样本，同样经过QAE编码后输入到训练好的VQC中，取输出概率最大的类别作为预测结果。

3.2 关键参数与配置选择

• N（时间窗口长度）：选择N=10是基于对QKD系统动态特性的先验分析。太短不足以捕捉模式，太长会增加噪声和计算量。这是一个需要根据具体时间序列特性调整的超参数。
• K（精选特征数）：通过XGBoost特征重要性分析，我们观察到前5个特征的累积重要性已超过90%，因此选择K=5在信息保留和维度压缩间取得了良好平衡。
• D（QAE输出/VQC输入维度）：设定为80，这直接对应于SU(9)群的生成元数量（d^2 - 1 = 81 - 1 = 80）。这确保了编码空间与qudit的整个操作空间对齐，没有信息损失。
• L（VQC重复上传层数）：我们试验了4, 6, 8, 10层。发现L=8时测试准确率最高，继续增加层数会导致过拟合和训练困难（可能由于梯度问题）。8层在表达能力和训练稳定性间取得了最佳折衷。
• QAE结构：编码器使用简单的线性层（无激活函数），这是因为后续的量子特征映射本身提供了足够的非线性。解码器使用了ReLU激活函数。我们发现更深的编码器或使用非线性激活函数对最终分类性能提升有限，反而可能引入不必要的复杂性。

实操心得：训练技巧

1. 分阶段训练是关键：先独立训练并冻结QAE，再训练VQC。尝试过端到端联合训练，但梯度在经典NN和量子电路之间传递非常不稳定，极易发散。分阶段训练虽然可能不是全局最优，但非常鲁棒。
2. VQC参数初始化：不要用全零或太小的随机值初始化 (\vec{\phi})。我们采用从 ([-π, π]) 均匀分布采样，这有助于初始状态在希尔伯特空间中有足够的“探索范围”。
3. 学习率设置：VQC的训练对学习率非常敏感。我们采用余弦退火学习率调度器，初始学习率设为0.01，效果比固定学习率好很多，能帮助跳出局部极小值。
4. 批处理大小：由于量子模拟的计算开销，我们使用的批处理大小（batch size）为32。对于更大的数据集，可能需要减小批大小以适应内存，但这可能会影响训练的稳定性。

4. 结果对比分析与消融实验

为了验证我们提出的“QAE + Qudit VQC”混合模型中每个组件的必要性，我们设计了几个消融实验进行对比。所有模型都在相同的训练/测试数据集上运行。

模型对比：

1. 基准模型（经典NN）：三层全连接神经网络（5×128×256×128×9），ReLU激活，参数量约6.7万。
2. 提议模型（QAE-Qudit VQC）：本文核心方法，参数量总计1130（QAE: 490, VQC: 640）。
3. 消融模型A（纯Qudit VQC）：移除QAE，尝试直接将5维特征编码到80维的qudit VQC中。由于输入维度不匹配（5 vs 80），我们将另外75个特征输入固定为1（或某个常数），并随机选择5个生成元子集来编码真实特征。参数量640。
4. 消融模型B（QAE-Qubit VQC）：保留QAE，但将分类器换成由4个qubit构成的VQC。设计了一个包含参数化旋转门和CNOT纠缠门的ansatz，同样采用8层重复上传。参数量总计316（QAE: 220， VQC: 96）。

性能指标对比表：

结果分析：

1. 核心结论：我们提出的QAE-Qudit VQC模型在仅使用约1.7%参数量（1130 vs 67328）的情况下，达到了与深度NN（94%）几乎相当的分类性能（93%）。这证明了该混合方案在参数效率上的巨大优势。
2. QAE的作用：对比“提议模型”和“纯Qudit VQC”，准确率从91%提升到了93%。这2个百分点的提升明确显示了定制化编码的重要性。没有QAE的预处理，直接将5维特征映射到高维量子空间是低效的，模型难以学习到有效的分类边界。QAE通过学习到的非线性映射，将数据转换到了一个与VQC操作空间更对齐的表示中。
3. Qudit vs Qubit：对比“提议模型”和“QAE-Qubit VQC”，结果非常显著（93% vs 62%）。尽管qubit模型参数更少，但其性能大幅下降。这验证了我们的假设：对于这类非结构化数据，避免复杂的多qubit ansatz设计是明智的。我们为qubit VQC尝试了几种不同的纠缠结构和层数，但性能始终不佳，很可能陷入了贫瘠高原或次优的电路结构。而qudit的统一处理方式规避了这个问题。
4. 效率考量：在经典计算机上模拟qudit VQC（9维希尔伯特空间）比模拟4-qubit VQC（16维希尔伯特空间）在矩阵运算上稍慢，但比模拟大型经典NN快。更重要的是，参数量的大幅减少意味着在未来的量子硬件上，训练所需的量子门操作和参数优化循环将少得多，这潜在地降低了量子噪声积累和训练时间。

避坑指南：

• 不要跳过特征工程：即使有强大的QAE和VQC，前端的经典特征提取（tsfresh）和筛选（XGBoost）仍然至关重要。它们将原始时序数据转化为更紧凑、信息密度更高的表示，为后续量子处理奠定了良好基础。试图用QAE直接处理成百上千的原始特征，效果和效率都会很差。
• 谨慎设计Qubit VQC的Ansatz：我们的实验表明，对于没有明确对称性或结构的通用数据，设计一个高效的多qubit VQC ansatz非常困难。如果坚持使用qubit，需要投入大量精力在ansatz搜索（如使用硬件高效型、或基于问题启发的结构）上，这可能得不偿失。Qudit提供了一种更“无脑”但有效的替代方案。
• 关注类别不平衡：从结果明细看，某些类别（如Class 1）的召回率较低。这是因为数据集中各类别的样本数量差异很大（见表I）。在实际应用中，需要考虑采用重采样、调整损失函数权重等策略来缓解类别不平衡问题，以提升最差类别的性能。

5. 扩展讨论与未来方向

这次将QAE与Qudit VQC结合应用于大规模时间序列分类的实践，给我们带来了一些超出具体任务的启发。

关于混合架构的思考：纯粹的量子机器学习模型在处理经典数据时，编码往往是最大的瓶颈。QAE提供了一种数据驱动的、与后续量子处理器协同设计的编码方案。它不像固定编码（如基编码、角度编码）那样死板，而是通过训练来学习如何将数据“翻译”成量子电路最容易理解的“语言”。这种“经典预处理为量子做适配”的思路，可能比追求纯粹的量子算法更具近期的实用价值。

Qudit的实用优势：在这个项目中，qudit的价值不仅在于数学上的简洁。从工程角度看，它极大地简化了算法到硬件的映射决策。不需要思考“这里该用几个CNOT门？”“纠缠结构怎么设计？”。对于一个d能级的系统，所有操作都是“本地”的，这降低了编译复杂度，也可能减少对特定量子硬件连接拓扑的依赖。随着离子阱、光子轨道角动量等能支持多能级系统的量子硬件不断发展，qudit算法的价值会进一步凸显。

计算开销与硬件展望：目前我们是在经典计算机上模拟量子电路。对于d=9的qudit，模拟开销尚可接受。但真正的潜力在于未来在量子硬件上运行。640个参数的VQC，相比6.7万参数的NN，需要优化的变量少了两个数量级。这意味着：

1. 需要进行的量子测量次数（用于估计梯度和损失）可能大幅减少。
2. 参数空间的缩小可能带来更快的收敛速度。
3. 更少的参数可能使模型对量子噪声稍微更鲁棒一些（当然，这需要具体实验验证）。

如果未来有成熟的、相干时间足够的qudit硬件，这种混合模型的训练速度有可能超越经典NN。当然，这还需要考虑量子测量的采样开销、错误缓解等实际因素。

可尝试的改进方向：

1. 端到端微调：目前QAE和VQC是分开训练的。一个有趣的尝试是在VQC训练收敛后，以较小的学习率“解冻”QAE的最后一层（或全部），进行端到端的微调，或许能进一步提升性能。
2. 更复杂的QAE结构：当前QAE的编码器是单层线性网络。可以尝试引入浅层的非线性编码器，或者使用卷积层来处理具有局部相关性的时序特征。
3. 探索其他Qudit维度：我们因为分类数是9而选择了d=9。但对于其他任务，或许可以选择d为2的幂次（如8, 16），这样在模拟或映射到某些硬件时可能更方便。需要研究不同d值对模型容量和训练难度的影响。
4. 应用于其他数据类型：这套“经典特征筛选 -> QAE适配编码 -> Qudit VQC分类”的流水线，可以尝试推广到其他非结构化或高维数据的分类任务中，如图像的嵌入向量分类、语音特征分类等，验证其泛化能力。

最后，一点个人体会：在量子机器学习的研究中，我们常常陷入一种“量子霸权”的思维定式，总想用量子电路完全取代经典模型。但这个项目告诉我们，一个精心设计的、发挥各自所长的混合系统，往往能在当前NISQ时代取得更务实、更高效的成果。经典部分负责繁重的特征工程和预处理，量子部分负责在精心准备的、高维的量子特征空间中进行高效的分类决策。这种协同工作的模式，或许是通向实用化量子机器学习的一条更稳健的路径。