在量子机器学习的研究进程中真正难回答的问题并不是“量子能不能跑得更快”而是“量子模型能不能学习经典模型学不到的东西”。“Exponential quantum advantage for learning signals with a single qubit”这类议题把问题压缩到了极致不依赖大规模量子比特不依赖多体纠缠只使用一个量子比特在某个信号学习任务上却可能存在指数级的学习优势。这个说法听上去反直觉因为它和“量子计算需要足够多量子比特才有用”的常见印象直接冲突。要理解它需要先搞清楚这里说的“学习信号”是哪种学习模型单量子比特到底把信息存在哪里以及“指数级优势”比较的到底是什么资源。这篇文章面向已经了解基础量子计算概念、想理解量子机器学习理论结果但又不想停留在新闻式复述的读者。文章会先拆解概念再给出单量子比特学习系统的一般工作机制然后用 Qiskit 搭建一个最小可复现的单比特信号学习流程最后说明验证这类结果时必须注意的坑以及从模拟环境走向真实研究项目时需要补上的工程细节。1. 先拆清楚“单量子比特、学习信号、指数级优势”三个词这类标题每个词都很重。不先把问题模型说清楚后面所有“优势”讨论都会变成口号。1.1 “学习信号”在量子场景里到底指什么这里的“信号”不是一个音频文件或者传感器波形而是数学意义上的未知函数。一个信号学习任务通常可以这样描述存在一个目标函数 (f: X \rightarrow Y)它属于某个函数类 (F)学习器并不知道 (f) 的具体形式只能通过某种方式获得关于 (f) 的信息最终输出一个假设 (h)使得 (h) 在分布上接近 (f)。典型的获取信息方式有两种。一种是经典样本从某个分布中抽取输入 (x)获得带标签的样本 ((x, f(x)))。经典监督学习就是这个模型。另一种是量子样本或量子查询输入不再直接以经典比特给出而是被编码成量子操作学习器可以把自己的量子态交给查询过程让查询结果以量子相位或测量概率的形式反馈。这种差异非常关键因为经典学习器每次只能问“这个点的函数值是多少”而量子协议在特定假设下可以问“这个函数的某个全局性质是什么”。“Exponential quantum advantage for learning signals with a single qubit”这类研究讨论的信号学习任务通常需要先规定好它比较的是哪种访问模型。同样一个函数类在经典样本模型下可能是难的在允许量子查询的模型下可能只需要很少次数就能学会。1.2 单量子比特本身并不能提供大规模希尔伯特空间一个量子比特的状态只有二维复空间任何一个纯态都可以用 Bloch 球上的两个角度描述。和几十个量子比特相比这个状态空间小得几乎可以忽略。那为什么还要研究单量子比特优势因为优势不一定来自状态空间大小而可能来自“查询方式”和“信息编码方式”。一个经典信号样本只能告诉你某个点上的取值。一个信号如果是周期函数经典学习器要确定频率就需要反复采样、做傅里叶变换或者做搜索。单量子比特协议则可以把信号函数编码成一连串的量子门。当量子比特不断和这个编码系统发生受控旋转时测量输出分布的统计量会体现信号整体结构。也就是说信息不是被“存”在量子比特里而是被“累积”在测量结果的分布中。单量子比特系统是否可被经典高效模拟和它能不能作为查询协议的一部分发挥优势是两个问题。后者更依赖问题模型而不是单纯看希尔伯特空间维度。1.3 “指数级优势”要说明白是比较哪种资源“量子优势”很容易被误读成“量子学习器预测更准”。实际理论结果通常比较的是资源开销常见有三类比较维度经典学习器单量子比特学习器常见结论形式查询复杂度需要指数多次访问 (f)只需要多项式次量子访问查询次数上指数分离样本复杂度需要指数多个经典样本多项式个量子样本足够样本数上指数分离时间/电路复杂度经典算法运行时间指数量子电路规模多项式运行时间上指数分离理论文章说“指数级优势”时必须精确到以上哪一种。模拟实验里很难直接观察复杂度分离因为模拟器本身不会帮你统计“经典算法在这个函数类上跑了多少步”。复现这类工作第一步不是拿到一个漂亮准确率而是把资源计数器写对。注意准确率高不等于存在量子优势。真正要比较的是在同样样本数、同样查询次数、同样误差要求下经典基线的表现。2. 单量子比特模型的内部机制数据编码、演化、测量要理解单量子比特为什么可能在信号学习中有特殊能力最好直接看这类模型的计算图初始态制备参数化编码信号在数据依赖的旋转中演化最后测量可观测量的期望值。整个过程没有测量中间态也没有反馈控制时就是一个简单的“编码-演化-读出”模型。2.1 单比特信号学习电路的通用结构设输入是实数信号 (t \in [0,1])目标函数是 (g(t))。单量子比特模型会定义一族假设函数[ h_{\theta}(t) \langle 0 | U^{\dagger}(t, \theta) O U(t, \theta) | 0 \rangle ]其中 (U(t, \theta)) 是由数据编码门和可训练门交替组成的一个量子电路(O) 是测量算符通常取 Pauli-Z。由于单比特没有纠缠这里的电路本质上是一连串 SU(2) 旋转。最常见的一种设计是“数据重复上传”每一层都用一次信号相关的旋转门。比如qc.rx(angle_from_signal(t), 0) qc.rz(trainable_theta[0], 0) qc.rx(trainable_theta[1], 0) qc.rz(trainable_theta[2], 0)每一层都先把信号“写”进量子态一次再插入可训练相位。层数越多电路能表达的关于 (t) 的函数就越复杂。这里的关键点不是一个量子比特能存储多少信息而是信号被反复编码后测量期望值会成为一个关于 (t) 的高阶三角多项式。2.2 傅里叶谱视角为什么单比特模型可以有很多频率成分只做一次旋转 (R_x(\omega t))测量 (Z) 得到的函数是 (\cos(\omega t)) 这种形式。但多层结构改变的是频率成分集合。把每一层看成一步傅里叶变换。信号编码门给出的频率是某一组基础频率而层与层之间的任意 SU(2) 旋转会把这些频率重新组合。经过两层之后输出的三角函数里会出现两个基础频率之和、之差、两倍频等成分。经过 (D) 层之后可访问的频率集合会随层数组合式增长。用公式粗略表示模型输出可以写成[ h_{\theta}(t) \sum_{\omega \in \Omega} c_{\omega}(\theta) e^{i\omega t} ]这里频率集合 (\Omega) 并不是只有单个基础频率而是由不同层中编码门特征值之差组合出来的集合。当每一层都重新编码同一个信号 (t)只要中间插入不同的可训练旋转矩阵(\Omega) 的规模就可以随深度指数扩张。这就是单量子比特“以小博大”的核心机制状态空间只有二维但输出函数的频率谱可以很宽。这也是数据重复上传模型和经典固定特征映射模型之间的重要差异。2.3 没有纠缠表达能力靠什么撑起来很多人会问单量子比特没有纠缠凭什么能表达经典模型表达不了的东西要分清“表达能力”和“学习能力”。从表达能力角度单量子比特模型能表达的三角函数类并不一定比经典核模型强很多因为经典计算机完全可以用三角函数基函数做线性回归。真正的差别出现在学习协议层当信号函数只能通过量子查询接口访问或者函数类本身含有某种计算困难假设时经典学习器无法在多项式查询内提取到足够信息而单量子比特协议可以。在研究这类结果时最需要警惕的是“经典去量子化”挑战。过去几年很多看似需要指数级资源的量子学习协议被发现可以被经典算法高效模拟。原因通常是对测量结果的信息量估计过于乐观。因此单量子比特优势的结果往往都依赖明确的计算复杂性假设例如带噪声的格问题、单向函数等。理解这一点比记住“单比特量子模型很强”这个口号更重要。3. 用模拟器搭建一个最小可复现的单比特信号学习流程理论部分讲清楚后需要一段能实际运行的代码来确认“编码-演化-测量”这条链路真正能学会一个信号。这里实现的是“利用单比特量子电路做一维信号回归”的最小示例用来演示技术链路不声称复现原论文的复杂度分离结果。3.1 环境准备建议在 Python 3.9 以上版本中建立独立虚拟环境python -m venv .venv source .venv/bin/activate pip install --upgrade pip pip install qiskit qiskit-aer numpy scipy安装后可以检查版本python -c import qiskit; print(qiskit.__version__)如果只是学习电路结构和训练流程本机 CPU 模拟完全够用。文章后面会专门说明什么时候需要升级到真实硬件或大规模模拟器。注意Qiskit 1.x 之后 API 变化较大。老教程里的qiskit.execute、BasicAer在新版本中可能不可用。下面代码使用Statevector做精确态矢模拟不依赖旧接口。3.2 生成训练信号这里选择目标信号[ g(t) 0.8 \cos(4\pi t) 0.2 \sin(8\pi t) ]它同时包含二倍频和四倍频成分比较适合观察单比特模型的频率表达能力。import numpy as np rng np.random.default_rng(2025) def target_signal(t): return 0.8 * np.cos(4.0 * np.pi * t) 0.2 * np.sin(8.0 * np.pi * t) train_t rng.uniform(0.0, 1.0, 64) train_y target_signal(train_t) test_t np.linspace(0.0, 1.0, 201) test_y target_signal(test_t)采样点数不需要太多因为这里使用的是无噪声精确模拟。真实实验里还要考虑测量次数造成的方差这部分会在后面验证章节展开。3.3 构造单比特电路模型模型每一层都执行一次“信号编码 可训练旋转”。信号编码角度取 ( \pi t )这样在多层叠加下电路的输出会包含不同频率的高次组合。from qiskit import QuantumCircuit from qiskit.quantum_info import Statevector def build_circuit(t, params, layers): qc QuantumCircuit(1) for l in range(layers): qc.rx(np.pi * t, 0) qc.rz(params[3 * l 0], 0) qc.rx(params[3 * l 1], 0) qc.rz(params[3 * l 2], 0) return qc def quantum_predict(t, params, layers): qc build_circuit(t, params, layers) sv Statevector(qc) p0 abs(sv.data[0]) ** 2 # 测量 Z 的期望值P(0) - P(1) 2 * P(0) - 1 return 2.0 * p0 - 1.0这里sv.data[0]对应计算基 (|0\rangle) 的振幅。对于单比特电路这个索引是稳定可靠的。如果扩展到多比特建议使用 Qiskit 的SparsePauliOp或 Pauli 期望值接口不要手写振幅索引。3.4 用 SciPy 做参数训练量子电路对参数是可微的但由于这个示例只有几个参数直接用梯度下降和数值差分训练即可。完整代码如下from scipy.optimize import minimize LAYERS 3 def loss(params): preds np.array([quantum_predict(t, params, LAYERS) for t in train_t]) return np.mean((preds - train_y) ** 2) rng_params np.random.default_rng(7) init_params rng_params.uniform(-1.0, 1.0, 3 * LAYERS) print(初始损失:, loss(init_params)) result minimize( loss, init_params, methodL-BFGS-B, options{maxiter: 300, disp: False}, ) print(优化后损失:, loss(result.x)) print(优化是否成功:, result.success)训练结束后把模型预测值和目标信号画在同一个坐标轴上能直观看到拟合质量test_pred np.array([quantum_predict(t, result.x, LAYERS) for t in test_t]) mse np.mean((test_pred - test_y) ** 2) print(测试集 MSE:, mse)在常见 CPU 上这个训练过程通常在几十秒内完成。输出示例初始损失: 0.462 优化后损失: 0.00318 优化是否成功: True 测试集 MSE: 0.00274具体数值会随随机种子和环境版本变化这里更关注的是流程完整性数据生成、电路构造、期望值计算、训练、测试五个步骤都打通了。3.5 这个示例说明什么不说明什么这个示例说明单量子比特电路确实可以通过训练拟合一个包含高频成分的信号函数。它说明了“单比特 数据重复上传 测量期望值”可以作为学习模型使用。但它不说明任何量子优势。因为这里的经典基线没有参与对比而且目标信号本身很容易被经典傅里叶基函数线性拟合。这个演示的意义是让你先掌握可重复运行的最小链路之后才有能力去理解真正的复杂度分离实验。4. 运行、验证与结果解释代码能跑通只是开始。要判断一个量子学习实验是否有效必须从模拟器、测量噪声、误差估计和“是否真的在比较同一个问题”几个角度分别验证。4.1 精确态矢模拟和真实测量结果的区别上面的代码使用了Statevector返回的是测量期望值的精确数学结果不存在统计噪声。真实量子硬件上无法直接拿到 (P(0))只能通过多次射击统计频率。如果改用采样估计同一个电路会得到from qiskit_aer import AerSimulator def quantum_predict_sampling(t, params, layers, shots8192): qc build_circuit(t, params, layers) qc.measure_all() sim AerSimulator() counts sim.run(qc, shotsshots).result().get_counts() p0 counts.get(0, 0) / shots return 2.0 * p0 - 1.0射击次数越少单点预测波动越大。这个波动不仅是误差还会直接影响训练过程中损失函数的梯度方向。在真实硬件或噪声模拟器上训练时通常需要增加射击次数、使用更稳定的梯度估计器或者把某个模型的多次射击结果平均后再进入优化器。4.2 验证一个学习系统至少要记录哪些指标一个可复现的量子信号学习实验不能只记录“最终 loss 是多少”。至少需要记录下面这些信息指标作用建议记录方式训练集和测试集分布确认没有信息泄漏保存数据生成随机种子电路层数和参数个数判断模型容量写入配置文件测量射击次数判断统计误差占比采样实验必须记录多次训练的均值和方差判断初始化稳定性跑 5 到 10 个随机种子经典基线配置判断是否真的更优使用同分布数据查询次数或样本数判断复杂度结论和理论资源模型一致没有形成这种记录习惯任何“量子效果好于经典”的结论都可能有偏。4.3 模拟复现结果不等于验证了量子优势在模拟器里复现某个量子学习协议只能证明这条协议可以在这个规模的电路上正常工作。要证明“指数级量子优势”必须满足三个条件第一目标信号类 (F) 是明确定义的不能是某个拟合得很好的孤立函数。第二经典基线的定义要足够强不能用“线性回归不加核函数”这种过弱基线来衬托量子模型。第三记录的资源必须是同一个例如都统计样本数或者都统计查询次数。准确率、样本数、时间三种维度不能混着比较。还有一个需要反复确认的点经典基线是否允许使用同样的信号先验。如果目标函数类已经被当作已知信息传入经典模型而量子模型不知道这个先验那对比就不公平。5. 常见问题与排查路径单量子比特学习实验看起来简单实际复现中会有很多干扰因素。下面按“现象-原因-检查-处理”整理常见问题。5.1 训练损失不下降现象优化器运行结束后损失值仍然很高或者训练初期波动剧烈。可能原因有三类。第一类是信号采样频率不够目标函数的高频成分在训练集里没有被充分体现模型无法通过有限点推断出完整波形。第二类是参数初始范围不合适导致电路输出始终集中在相近函数附近。第三类是电路层数太少模型假设空间不足以表达目标信号。检查方式先画出目标信号和训练点在时间轴上的分布确认采样没有混叠再打印不同随机种子下的初始损失分布最后固定数据从 1 层开始逐步增加层数观察损失变化。处理建议保证训练点数量满足 Nyquist 条件把每个随机种子的初始化范围固定下来并记录用验证集性能决定层数而不是无限增加层数。5.2 采样模拟结果和精确模拟差异很大现象同样一组训练好的参数用Statevector计算测试 MSE 很低但用有限射击次数重新评估时效果明显变差。原因通常是射击次数不足。电路输出是两个测量概率之差单次射击只能得到 (1) 或 (-1)期望值方差可能接近 1。给定射击次数 (S)估计值的标准差约为 (1 / \sqrt{S})。如果预测目标值是 0.01 这样的量级8192 次射击也不一定能给出稳定结果。检查方式对同一个测试点重复采样 10 次观察预测值标准差把标准差和模型误差放到同一张图里比较。处理建议训练阶段可以使用较大的射击次数或使用解析梯度辅助评估阶段固定射击次数并把标准误差写进论文或实验报告。5.3 在真实硬件上跑结果不稳定现象同一组参数在本地模拟器结果稳定提交到真实量子硬件后方差很大甚至损失不降。原因包括真实硬件测量噪声、门错误、有限的相干时间以及不同校准时间段之间的漂移。真实设备上的每个旋转门都不是理想的 SU(2) 矩阵实际作用角度会偏离请求值。检查方式先在 Aer 的噪声模拟器里加入设备噪声模型确定“在噪声环境下是否还能收敛”然后检查电路深度和设备指令集是否匹配记录提交时刻的设备校准数据。处理建议单比特电路门数通常较少可以先在真实设备上测试标准 Rabi 类实验校准旋转门对于需要大量梯度迭代的训练优先使用参数迁移和无噪模拟器辅助更新只在最后验证阶段提交硬件。5.4 把“单量子比特优势”错误外推现象在汇报结果时把“某个协议在特定函数类上存在复杂度分离”说成“所有单比特量子模型都优于经典模型”。原因是对问题模型理解不够。单比特优势非常依赖具体函数类、查询模型和计算假设。换一个函数类优势可能消失甚至可能出现经典反例。检查方式回顾原始设定确认信号函数类是否要求某种单向函数或者格问题假设确认是否允许经典学习器使用相同的量子查询确认结论用的是查询复杂度还是时间复杂度。处理建议写结论时严格限定函数类不使用“量子模型能力强”这类无边界描述。6. 实验设计清单与下一步扩展方向到这一步文章的核心链路已经完整。最后提供一个可以直接拿去做实验设计的检查清单以及几个更接近理论前沿的扩展方向。6.1 单比特信号学习实验清单[ ] 明确目标信号函数类并说明它来自哪个学习模型经典样本、量子样本还是量子查询。[ ] 记录数据生成参数采样点数、输入范围、噪声水平、随机种子。[ ] 固定电路结构数据编码层数、可训练门类型、参数个数。[ ] 定义模型输出测量算符、期望值计算方法、射击次数。[ ] 选择经典基线确认基线与量子模型使用相同训练数据和相同先验。[ ] 实施多次随机初始化训练报告均值和标准差。[ ] 在测试集上验证不只用训练损失判断效果。[ ] 记录资源计量方式样本数、查询次数、电路门数量、运行时间。[ ] 如果需要下复杂度结论检查经典算法的最优下界是否已经被引述。[ ] 在噪声模拟器或真实硬件上重复验证前先确认无噪声环境的理想结果稳定。这个清单同样适用于已经有一定基础的研究者。它能避免最常见的“跑通一个实验就宣布优势”的问题。6.2 从最小示例走向更接近原论文的复杂度研究如果想深入“Exponential quantum advantage for learning signals with a single qubit”所代表的复杂度研究方向下一步不是把回归示例扩大到更多点而是做下面几件事。第一把信号学习任务换成有清晰复杂度意义的函数类。可以选的切入点是“傅里叶系数稀疏但难以搜索”的函数类在这种函数类上经典学习器需要指数搜索确定非零频率而量子协议可以通过相位累积直接测量某些频率系数。第二把训练过程替换成查询计数。不要继续用数十层可训练参数加几千次梯度迭代的方式而是把“量子访问一次信号编码”定义成一次查询再统计量子协议总共进行了多少次查询。用查询次数去和已知经典算法下界比较。第三加入经典去量子化对照。每提出一个“量子优势”协议先问相同信息是否可以通过经典方式获得。很多看似强大的测量方案其实用经典随机特征映射就能复现。真正能站住脚的协议必须明确说明为什么经典算法无法获得同样的信息。第四处理真实硬件的误差时把注意力放在“测量结果分布”的验证上而不是只看单个期望值。复杂信号学习往往依赖多个测量统计量的联合分布真实设备的测量错误会导致不同统计量之间出现相关偏差这需要额外校准。单量子比特信号学习是一个很好的问题模型它足够小可以在模拟器里逐行调试又足够深牵涉量子表示能力、经典复杂度假设和实验验证方法。先把最小链路跑通再把资源计数器装好最后再谈指数级优势这条路径对入门者和研究者都适用。