单量子比特实现指数级量子优势：信号学习原理与实战

最近在学习量子机器学习方向时，经常能看到“量子优势”“量子加速”这类词；真正让人好奇的是：如果一个模型小到只有一个量子比特（qubit），它还能不能表现出超越经典方法的优势？答案是，在特定“学习信号”的任务中，这种优势不仅存在，而且可以达到指数级。

这篇文章围绕“Exponential quantum advantage for learning signals with a single qubit”这一主题展开。我不会直接照抄论文里的数学证明，而是从概念入手，讲清楚单量子比特如何表示、如何编码信号、如何测量结果，再用可运行的代码演示一个单量子比特学习简单信号的完整流程，最后分析指数级优势的来源、常见误区以及量子编程的工程建议。

如果你对量子计算刚入门，建议准备好 Python，边看边跑代码；如果你已经有一些量子编程基础，可以直接跳到第 3 节看原理和第 4 节的代码，再花几分钟读一下第 5 节、第 6 节，基本能把“单比特单任务”的建模思路和落地风险串起来。

1. 单量子比特为什么值得关注

1.1 量子比特与经典比特的关键差异

经典比特是二值系统，只能处于 0 或 1。量子比特同样是抽象的两能级系统，但它可以处于叠加态：

[ |\psi\rangle = \alpha |0\rangle + \beta |1\rangle ]

其中 (\alpha) 和 (\beta) 是复数，并且满足归一化条件：

[ |\alpha|^2 + |\beta|^2 = 1 ]

从信息表达上看，量子比特的态空间是二维复希尔伯特空间。它包含的连续参数似乎比单个经典比特更多，但实际测量时，我们只能得到“0”或“1”其中一个结果，测量概率由 (|\alpha|^2) 和 (|\beta|^2) 决定。

这里有一个常见误区：很多人认为“量子比特就是可以同时表示 0 和 1，所以信息量是经典比特的两倍”。这种说法并不准确。单个量子比特并不能直接储存无穷多经典信息。真正重要的是，量子态经过酉变换后会产生干涉效应，而测量输出虽然只有经典结果，但结果分布中可能包含着关于输入信号的“全局信息”。这正是量子信号学习的基础。

1.2 “学习信号”在量子语境中是什么

机器学习中的“学习信号”可以理解为一个未知函数 (f(x)) 或一个带噪声的映射：

[ (x_1, y_1), (x_2, y_2), \dots, (x_n, y_n) ]

我们希望学出一个模型 (g(x))，让它在未见过的输入上也能尽量接近 (f(x))。

传统的做法通常是：把输入 (x) 转换成特征向量，再通过线性或非线性模型拟合输出。量子版本的思路则不同。我们可以把 (x) 编码成量子门参数，让一个量子比特的终态依赖于 (x)，再通过测量来得到预测值。

单量子比特的学习能力并不是无限的。如果只用一次绕 Y 轴的旋转编码，它的输出可以写成：

[ g(x)=\cos(wx + b) ]

这是一个非常简单的单频模型。但是，即便模型简单，它也能通过参数优化去逼近某些单频信号，比如正余弦函数。更重要的是，通过更换编码方式、增加测量次数或使用多个门结构，单比特系统可以表达更丰富的模式。

1.3 指数级量子优势到底指什么

通常说“量子优势”，往往指某个任务用量子算法求解时，在时间复杂度或样本复杂度上显著优于经典算法。指数级优势意味着：当问题规模增大时，经典算法的资源消耗呈指数增长，而量子算法只消耗多项式甚至更少的资源。

那单个量子比特怎么实现指数级优势呢？直观上看，单量子比特的希尔伯特空间只有二维，似乎不足以支撑“指数维度”。但在某些“学习信号”的任务中，优势并不来自比特数多，而来自量子态干涉、测量方式和数据编码方式。

例如，一个未知信号可能通过复杂的量子通道作用在量子比特上；我们希望识别这个通道的性质。经典方式可能需要尝试指数多种输入并观测结果，而量子方式可以让量子比特与整个通道发生一次相干作用，再通过测量获得全局信息。这种问题被称为“量子信号学习”或“量子假设检验”。

需要强调的是：不是任何学习任务都能获得指数级优势。优势通常要求任务具有某种“全局结构”，并且经典算法只能通过局部采样去推断这个结构。对于普通的数据集分类问题，简单套用量子模型并不会带来魔法般的速度提升。

2. 准备工作与运行环境

2.1 Python 环境

本文代码以 Python 为主，建议使用 Python 3.9 或更高版本。如果你在使用虚拟环境，可以按下面的方式创建：

python -m venv qml_env source qml_env/bin/activate # Windows 下使用 qml_env\Scripts\activate

然后升级 pip：

pip install --upgrade pip

2.2 安装依赖库

文中会用到三个基础 Python 库：

• NumPy：矩阵运算与量子态模拟。
• PennyLane：量子机器学习框架，提供自动微分和量子节点。
• Matplotlib：可视化训练结果，便于观察拟合曲线。

安装命令如下：

pip install numpy pennylane matplotlib

如果你在国内网络环境安装较慢，可以临时使用镜像源，例如清华源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy pennylane matplotlib

需要说明的是，PennyLane 是基于插件机制的框架，不同版本的接口细节可能有差异。本文示例采用“量子节点 + AdamOptimizer”的经典写法，在 0.30 以上的主流版本中均可运行。如果遇到 API 变更，请优先查看你所安装版本的官方文档。

2.3 文件结构

为了便于测试，可以建这样一个简单的项目目录：

single_qubit_signal/ ├── qbit_basics.py # 用 NumPy 模拟单量子比特旋转和测量 ├── train_signal.py # 用 PennyLane 训练单量子比特学习正弦信号 └── requirements.txt # 依赖列表

其中requirements.txt内容：

numpy>=1.24 pennylane>=0.32 matplotlib>=3.6

下文会分别给出qbit_basics.py和train_signal.py的完整代码。

3. 信号编码与测量的最小原理

3.1 单量子比特的态矢量

在量子计算中，我们用列向量表示量子态。设初始态为 (|0\rangle)：

# 文件路径：qbit_basics.py import numpy as np state0 = np.array([1.0 + 0.0j, 0.0 + 0.0j]) print("初始态 |0> =", state0)

绕 Y 轴旋转 (\theta) 角的量子门 (R_Y(\theta)) 的矩阵形式为：

[ R_Y(\theta)= \begin{bmatrix} \cos\frac{\theta}{2} & -\sin\frac{\theta}{2} \ \sin\frac{\theta}{2} & \cos\frac{\theta}{2} \end{bmatrix} ]

它的作用是将量子态在布洛赫球上绕 Y 轴旋转。我们写一个函数来模拟这个过程：

def ry(theta): """返回绕 Y 轴旋转 theta 角度的矩阵。""" return np.array([ [np.cos(theta / 2), -np.sin(theta / 2)], [np.sin(theta / 2), np.cos(theta / 2)] ]) theta = np.pi # 旋转 180 度 state1 = ry(theta) @ state0 print("旋转 pi 后的态:", state1) prob0 = np.abs(state1[0]) ** 2 prob1 = np.abs(state1[1]) ** 2 print("测量得到 |0> 的概率:", prob0) print("测量得到 |1> 的概率:", prob1)

如果初态是 (|0\rangle)，旋转 (\pi) 后，态矢会变成 ((0, 1))，也就是 (|1\rangle)。此时在计算基下测量，必定得到 1。

3.2 用旋转门编码信号

在量子机器学习中，最常用的编码方式之一是“角度编码”。假设输入是一个实数 (x)，我们可以令：

[ \theta = w x + b ]

其中 (w) 是特征缩放参数，(b) 是偏置。这样，信号 (x) 就被编码进了旋转门的角度：

def encode_and_rotate(x, w, b): angle = w * x + b quantum_state = ry(angle) @ state0 return quantum_state

当 (w) 和 (b) 可训练时，这个量子线路其实就相当于一层参数化函数。它的输出期望为：

[ \langle Z \rangle = \langle \psi(\theta) | Z | \psi(\theta) \rangle = \cos(wx + b) ]

因此，整个单量子比特模型在输出层之前，已经把“经典特征”变成了一段余弦函数。

3.3 从测量中提取标签

如果我们在计算基下测量量子比特，得到的结果是离散的 0 或 1。直接使用离散结果做回归并不合适，所以通常我们会计算 Pauli-Z 算符的期望值。期望值取值范围是 ([-1, 1])，正好可以对应回归目标或二分类标签。

PennyLane 中可以用qml.expval(qml.PauliZ(wires=0))直接得到期望值，它会自动完成多次采样的统计平均。如果使用无噪声模拟器，默认会直接解析计算期望值，不存在统计涨落。

这种做法等价于把测量输出当作“连续输出”。它既可以被看作回归预测值，也可以通过 sign 函数转换为二分类结果。

4. 一个可复现的单量子比特学习实验

4.1 实验目标与建模思路

为了直观理解“单量子比特学习信号”，我们选一个非常简单的信号：

[ f(x) = \sin(x), \quad x \in [-\pi, \pi] ]

理论上，单量子比特模型输出为 (\cos(wx+b))。根据三角恒等式：

[ \cos\left(x - \frac{\pi}{2}\right) = \sin x ]

所以只要训练参数接近：

[ w \approx 1, \quad b \approx -\frac{\pi}{2} ]

就可以用单量子比特完美拟合目标信号。

这个实验虽然简单，但足够演示一次完整的“量子编码 → 参数化线路 → 测量 → 梯度优化”闭环。理解它之后，你就能继续往多比特、多层编码的方向扩展。

4.2 生成训练数据

训练数据随机均匀采样自区间 ([-\pi, \pi])。理论上采样点越密集，拟合效果越稳定，但训练耗时也会增加。

代码如下：

# 文件路径：train_signal.py import pennylane as qml from pennylane import numpy as np import matplotlib.pyplot as plt # 在 [-pi, pi] 上采样 xs = np.linspace(-np.pi, np.pi, 120, requires_grad=False) ys = np.sin(xs)

注意这里的np是从pennylane中导入的。这样定义的张量可以参与 PennyLane 的自动微分，训练参数则可以设置requires_grad=True。

4.3 训练代码

我们创建一个单量子比特设备，并定义量子节点qnode。

dev = qml.device("default.qubit", wires=1) @qml.qnode(dev) def qnode(x, params): """输入 x，返回 Pauli-Z 期望值。""" angle = params[0] * x + params[1] qml.RY(angle, wires=0) return qml.expval(qml.PauliZ(0)) def square_loss(params, xs, ys): """均方误差损失。""" loss = 0.0 for x, y in zip(xs, ys): pred = qnode(x, params) loss += (pred - y) ** 2 return loss / len(xs) # 初始化参数 w 和 b params = np.array([0.8, -0.2], requires_grad=True) # 使用 Adam 优化器 opt = qml.AdamOptimizer(stepsize=0.1) for step in range(300): params = opt.step(lambda p: square_loss(p, xs, ys), params) if step % 30 == 0: loss_value = square_loss(params, xs, ys) print(f"step {step:3d} loss = {loss_value:.6f} " f"w = {params[0]:.3f} b = {params[1]:.3f}")

每一轮都会遍历全部样本计算损失，再通过反向传播更新参数。由于单量子比特线路非常浅，300 轮在普通笔记本上通常几十秒内可以完成。

4.4 运行结果与解释

运行结束后，理想情况下你会看到损失逐渐下降，参数 (w) 和 (b) 向目标值靠拢：

w ≈ 1.0 b ≈ -1.57

可以画出拟合效果：

# 生成密集预测点 xs_dense = np.linspace(-np.pi, np.pi, 400, requires_grad=False) pred_list = [] for x in xs_dense: pred_list.append(qnode(x, params)) plt.figure(figsize=(8, 5)) plt.plot(xs_dense, pred_list, label="quantum model", color="C0") plt.plot(xs_dense, np.sin(xs_dense), label="target sin(x)", linestyle="--", color="C1") plt.legend() plt.xlabel("x") plt.ylabel("y") plt.grid(alpha=0.3) plt.show()

从图中可以看到，量子模型输出的余弦曲线和正弦曲线几乎重合。这说明，单量子比特在线性编码、单一旋转门和 Z 测量的设定下，可以成功学习一个简单的单频信号。

需要注意，这不是在展示“指数级优势”。它只是一个学习信号的 baseline 实验。指数级优势通常需要更复杂的任务结构，而且要和经典算法做严格的样本复杂度对比。

4.5 结合“优势”的实验思考

既然单个量子比特能学这么简单的信号，那优势从何而来？我们可以做一个延伸思考。

在上面的例子中，输出是 (\cos(wx+b))，它是一个单频函数。经典模型也可以用同样表达式去拟合，因此量子比特没有优势。可如果目标函数是许多不同频率成分的叠加，情况就变得复杂了。量子编码可以通过多层纠缠或相位编码，在一次测量中把多个频率成分的加权和打包到测量的概率里。经典模型若想获得相同信息，需要指数多个采样点。

这就是“学习信号的量子优势”研究的关键：存在一些带全局结构的信号，量子系统只需要若干次查询就能获得足够信息，而经典系统需要指数多次查询。单量子比特版本的优势，主要是针对单比特可承载的那类“信号通道”，属于概念证明型结论。

5. 常见疑问与排查方法

5.1 单量子比特只有两种状态，何来“指数”优势

这是最常见的疑问。要回答它，需要区分“态空间维度”和“学习任务的复杂度边界”。

单量子比特的希尔伯特空间是二维的，但它的演化可以由连续的门参数控制。某些信号学习任务中，需要学习的并非数据本身，而是信号作用在量子比特上的“通道性质”。此时，一次精心设计的量子和经典交互过程，可以等价于在非常高维的算子空间中进行采样。量子系统天然地在这个算子空间中相干运动，而经典系统只能模拟这个算子空间，复杂度会随问题规模指数上升。

可以这样理解：单量子比特的“指数优势”并非因为把一个经典比特变成了更多比特，而是因为它绕开了经典模拟量子通道时的指数开销。优势是相对于“经典模拟量子过程”这一具体协议而言的。

5.2 模拟器结果能代表真实量子硬件吗

PennyLane 的default.qubit模拟器直接解析计算量子态的最终期望值，没有考虑退相干、门错误和测量噪声。真实量子硬件上，同样的线路会出现结果偏移和随机涨落。

如果要在真实设备上复现，需要考虑：

• 量子比特退相干时间。
• 单比特门错误率。
• 测量错误率。
• 采样次数不足导致的统计噪声。

建议在模拟器上完成参数训练后，再把参数导出到真实设备上做验证。不要把模拟器上的损失函数值直接理解为硬件上的损失值。

5.3 模型无法收敛或震荡怎么办

如果训练曲线不下降，可以按以下顺序排查：

对于本文的正弦信号任务，只要保持输入范围接近 ([-\pi, \pi])，并让 (w)、(b) 可训练，通常都能收敛。

5.4 量子优势能解决所有机器学习问题吗

不能。

指数级量子优势一般只在满足特定结构的问题中成立。对于常规表格数据、图片分类或自然语言任务，简单的单量子比特编码并不天然具备优势。要把量子模型用到真实业务中，必须谨慎评估：

• 问题是否包含量子过程产生的数据；
• 数据编码是否与问题结构匹配；
• 经典基线是否已经很强；
• 量子资源是否真正带来端到端收益。

不要在项目中遇到数据集就套一个量子模型，并期待立刻超越 XGBoost 或深度网络。量子计算适合的是一小类结构化问题，而不是通用“银弹”。

6. 量子编程最佳实践

6.1 线路设计阶段

设计量子节点前，先明确三个问题：

• 输入特征是什么，如何归一化？
• 希望输出是回归值、分类概率还是量子态？
• 线路中哪几个参数需要训练？

建议把编码逻辑和测量逻辑封装成独立函数。例如：

def encode_signal(x): """把经典信号编码为量子比特上的旋转角度。""" return x * scale + shift

把可训练参数集中管理，避免把魔法数字散落在代码各处。这样后续扩展到更多比特时，改动成本更低。

6.2 参数优化与梯度计算

PennyLane 的 QNode 可以像普通 PyTorch 函数一样参与自动微分。训练时要注意：

• 使用qml.AdamOptimizer或qml.GradientDescentOptimizer时，参数必须用 PennyLane NumPy 构造并设置requires_grad=True。
• 如果自定义优化循环，考虑是否需要对参数做边界限制，防止角度范围过大导致梯度消失。
• 单次遍历全部样本可能较慢，训练集较大时可以改用小批量方式。

批量训练示例：

def batch_loss(params, batch_xs, batch_ys): loss = 0.0 for x, y in zip(batch_xs, batch_ys): loss += (qnode(x, params) - y) ** 2 return loss / len(batch_xs)

6.3 测量与统计误差

如果使用真实量子硬件或带 shots 的模拟器，测量期望值会有统计误差。误差随 shots 增加而减小：

(\Delta \approx \frac{1}{\sqrt{\text{shots}}})

实验上建议：

• 训练初期可以先用无噪声高 shots 环境验证模型结构。
• 部署到硬件前，用shots=1024或更高看结果波动。
• 对概率输出，应记录每个量子态的计数，而不是只看平均值。

例如：

dev_with_shots = qml.device("default.qubit", wires=1, shots=1024) @qml.qnode(dev_with_shots) def sampled_model(x, params): angle = params[0] * x + params[1] qml.RY(angle, wires=0) return qml.sample(qml.PauliZ(0))

6.4 可维护性与工程化建议

量子程序很难调试，工程化时要特别重视可观测性。推荐做到以下四点：

• 保存每次实验的参数和超参数，例如params.npy和配置文件。
• 记录损失曲线，便于判断训练是否收敛。
• 把经典基线和量子模型对比时，保证评估数据集完全相同。
• 在真实设备上运行前，先在模拟器里检验线路深度和测量类型是否匹配。

这些习惯能帮助你快速区分“模型问题”“线路问题”还是“硬件噪声问题”。

7. 总结与后续学习建议

本文从“一个量子比特”出发，梳理了量子比特的叠加概念、信号编码、测量输出和参数化线路训练流程，并用一个正弦信号拟合实验演示了单量子比特模型的完整构建过程。更重要的是，文章解释了“指数级量子优势”并不是靠比特数多堆出来的，而是来自特定信号学习任务中量子相干信息处理的本质区别。

如果你想继续深入，可以按以下路径学习：

• 先掌握多量子比特系统和 CNOT 门，理解纠缠对表达能力的提升。
• 再学习量子核方法，把经典数据映射到高维希尔伯特空间。
• 最后阅读相关论文中的样本复杂度证明，重点关注经典下界和量子上界分别来自哪些假设。

动手实践仍然是量子编程最好的老师。建议你先把文中代码跑通，再尝试把目标函数改成非单频的信号，例如 (\sin(x)+0.5\sin(3x))，观察单量子比特模型会出现什么偏差。看到偏差后，你才能真正理解为什么需要更多比特、更丰富的编码和更复杂的测量策略。如果这篇文章对你有帮助，可以收藏备用，后续我会再整理多比特纠缠分类和量子核方法的实战案例。