量子核、噪声与示例

量子核适合小样本监督学习、聚类、降维和异常检测；噪声组件用于评估通道噪声与读出误差对模型的影响。本页同时给出可直接运行的示例入口。

量子核


import torch
from unitarylab.library.qml.kernels import (
    OverlapKernel,
    kernel_matrix,
)
 
x = torch.tensor([
    [0.0, 0.2],
    [0.3, -0.1],
    [0.8, 0.4],
], dtype=torch.float64)
 
kernel = OverlapKernel(num_qubits=2)
gram = kernel_matrix(x, kernel=kernel)
print(gram)

能力	接口
基础核	`OverlapKernel`、`StatevectorFidelityKernel`、`ProjectedQuantumKernel`
监督学习	`QuantumKernelClassifier`、`QuantumKernelRegressor`
无监督学习	`QuantumKernelKMeans`、`QuantumKernelPCA`、`QuantumKernelAnomalyDetector`
矩阵工具	`kernel_matrix()`、`center_kernel()`、`closest_psd_matrix()`、`kernel_target_alignment()`

训练 Gram 矩阵应为方阵；预测时交叉核矩阵的第二维必须对应训练样本。有限 shots 或数值误差可能使矩阵不完全对称正半定，可先对称化并使用 closest_psd_matrix() 修正。

噪声与读出误差


from unitarylab.library.qml.noise import (
    DepolarizingChannel,
    NoiseModel,
    ReadoutErrorModel,
    mitigate_readout_probabilities,
)
 
noise = NoiseModel()
noise.add(DepolarizingChannel(probability=0.01), wires=(0, 1))

内置通道包括 BitFlipChannel、PhaseFlipChannel、AmplitudeDampingChannel 和 DepolarizingChannel。NoiseModel 将通道与线路位置或门条件关联；ReadoutErrorModel 描述测量混淆，mitigate_readout_probabilities() 用校准模型校正概率。

概率参数必须在有效区间内。误差缓解可能产生小的负分量或放大统计噪声，输出应检查归一化和物理范围。噪声模型不能替代真实设备标定；比较模型时应同时报告无噪声基线、shots 和随机种子。

PyTorch 集成示例


import torch
from unitarylab.library.qml.examples.classification import build_classifier
 
module = build_classifier("reuploading", seed=0)
x = torch.zeros((2, 4), dtype=torch.float64)
logits = module(x)
print(logits.shape)

示例子包提供以下入口：

场景	模块
分类	`qml.examples.classification`
回归	`qml.examples.regression`
生成建模	`qml.examples.generative`
QGAN	`qml.examples.qgan`
连续变量 QNN	`qml.examples.cvqnn`
异常检测	`qml.examples.anomaly_detection`
小型数据集	`qml.examples.datasets`

示例适合验证安装和工作流，不代表针对具体数据集的最优超参数。生产训练应独立划分验证集、记录实验配置，并逐步扩大数据量和线路规模。

常见错误

特征数与编码层要求不一致：先缩放、选择或补齐特征。
PyTorch 输入与模型参数 dtype/device 不一致：在训练前统一转换。
分类标签不是整数类别索引，或类别数与输出维度不一致。
shots 太小导致核矩阵和梯度波动过大。
在测试集上选择核、噪声强度或模型超参数，造成数据泄漏。

量子核、噪声与示例

量子核

噪声与读出误差

PyTorch 集成示例

常见错误

相关页面