📄 arXiv: 2511.14786 · 2025年11月

量子-古典混合機器學習
完整互動教學

使用 PennyLane 框架探索量子計算與機器學習的交叉前沿，從量子比特的疊加態到實際的量子化學應用

👤 Sidney Shapiro 著 📅 2025年11月13日 🏷️ 量子機器學習 🐍 Python / PennyLane

📋 論文核心摘要

本論文是 PennyLane 框架的實用指南，展示如何將量子計算的潛在優勢與古典機器學習技術相結合。

          混合量子-古典機器學習結合量子電路（用於特殊計算）與古典優化算法（用於訓練參數），代表計算研究的前沿方向。
        

論文通過具體的 Python 代碼示例，展示如何用 scikit-learn、pandas、matplotlib 配合 PennyLane 構建完整的量子機器學習工作流。

🎯 本論文涵蓋的主題

1

量子核方法（Quantum Kernel Methods） 利用量子特徵映射提升支持向量機的分類能力
2

變分量子本徵求解器（VQE） 求解量子化學問題，如分子基態能量
3

投資組合優化（Portfolio Optimization） 用量子近似優化算法 QAOA 解決金融問題
4

與深度學習整合 無縫接入 PyTorch、TensorFlow、JAX 框架

🔄 混合計算架構

理解量子-古典混合系統的核心是了解兩種計算資源各自的角色：

⚛️ 量子設備
製備量子態 | 疊加 | 糾纏

⟵ 參數 ↕ 測量結果 ⟶

💻 古典電腦
優化 | 預處理 | 後處理

            量子設備負責：
            利用疊加態同時探索多個解
利用量子糾纏建立特徵關聯
執行某些指數加速的計算

          

            古典電腦負責：
            數據預處理和後處理
優化量子電路參數
解讀量子測量結果

          

🌍 為什麼量子機器學習重要？

⚡

潛在加速

某些問題可獲得指數級計算優勢

🧬

量子化學

精確模擬分子和材料的量子特性

🔮

NISQ 時代

近期量子硬體即可運行混合算法

🔬 量子計算基礎

理解量子比特、疊加態、糾纏與量子門

⚛️ 量子比特（Qubit）

古典比特只能是 0 或 1，而量子比特可以同時處於 0 和 1 的疊加態。

|ψ⟩ = α|0⟩ + β|1⟩

其中 |α|² + |β|² = 1，α 和 β 是複數振幅

0

古典比特

確定性：只能是 0

|ψ⟩

量子比特

同時為 0 和 1 的疊加

📊

測量後

塌縮為確定的 0 或 1

🌀 互動：疊加態機率分佈

調整量子態參數 θ，觀察測量到 |0⟩ 和 |1⟩ 的機率變化：

θ (旋轉角度): 90°

P(|0⟩) = 50% P(|1⟩) = 50%

|0⟩ 機率

|1⟩ 機率

          θ=90°：|+⟩ 態，測量結果完全隨機（50/50）—— Hadamard 閘的輸出
        

🚪 基本量子門

Hadamard 門 (H)

將量子比特從計算基底態轉換為疊加態，是量子算法的基礎構建塊。

H|0⟩ = (|0⟩ + |1⟩)/√2 = |+⟩
H|1⟩ = (|0⟩ − |1⟩)/√2 = |−⟩

H 門是量子計算中最重要的閘之一，它創造了真正的量子疊加態！

量子電路圖示：

q₀: |0⟩ —

H

📊 → |+⟩

                Python
import pennylane as qml

dev = qml.device('default.qubit', wires=1)

# 用 H 門創建疊加態
@qml.qnode(dev)
def superposition_circuit():
    qml.Hadamard(wires=0)
    return qml.probs(wires=0)
              

X 門（NOT 門）

X|0⟩ = |1⟩
X|1⟩ = |0⟩

量子版本的 NOT 閘，翻轉量子比特狀態

Y 門

Y|0⟩ = i|1⟩
Y|1⟩ = −i|0⟩

繞 Y 軸旋轉，引入複數相位

Z 門

Z|0⟩ = |0⟩
Z|1⟩ = −|1⟩

相位翻轉，不改變測量機率

旋轉門是變分量子算法的核心，其角度參數可以被訓練優化：

RX(θ) — 繞 X 軸旋轉RX(θ) = e^(-iθX/2)

RY(θ) — 繞 Y 軸旋轉RY(θ) = e^(-iθY/2)

RZ(φ) — 繞 Z 軸旋轉RZ(φ) = e^(-iφZ/2)

            Python
# PennyLane 中的旋轉門
import pennylane as qml
import numpy as np

params = np.array([0.3, 1.2, 0.8])

@qml.qnode(dev)
def rotation_circuit(params):
    qml.RX(params[0], wires=0)
    qml.RY(params[1], wires=0)
    qml.RZ(params[2], wires=0)
    return qml.expval(qml.PauliZ(0))
          

CNOT 門（受控非門）

CNOT 是最重要的雙量子比特門，用於創建量子糾纏。當控制量子比特為 |1⟩ 時，翻轉目標量子比特。

|00⟩ → |00⟩
|01⟩ → |01⟩
|10⟩ → |11⟩
|11⟩ → |10⟩

Bell 態（最大糾纏態）：
                H⊗I → CNOT → (|00⟩+|11⟩)/√2
              

Bell 態電路：

q₀: |0⟩ —

H

—●—

⊕

📊

q₁: |0⟩ — ————

CNOT

📊

              Python
@qml.qnode(dev2)
def bell_state():
    qml.Hadamard(wires=0)
    qml.CNOT(wires=[0, 1])
    return qml.probs(wires=[0,1])
# 結果: [0.5, 0, 0, 0.5]
# |00⟩ 和 |11⟩ 各 50% — 完美糾纏！
            

🛠️ PennyLane 框架

Python 量子-古典混合計算框架的核心功能

🏗️ PennyLane 架構

PennyLane 是一個 Python 框架，核心特點是支持量子電路的自動微分，使其與古典深度學習無縫整合。

核心設計原則：像訓練神經網絡一樣訓練量子電路！

🔧 量子電路構建

📐 自動微分

🖥️ 多設備支持

🔗 深度學習整合

⚗️ 量子化學

📊 梯度計算

🌐 PennyLane 框架

↓

量子硬體
IBM / Xanadu

量子模擬器
default.qubit

↓

PyTorch

TensorFlow

JAX

🔑 核心概念：QNode（量子節點）

QNode 是 PennyLane 的基本構建塊，它將量子電路封裝成一個可微分的函數：

          Python
import pennylane as qml
import numpy as np

# 1. 選擇設備（模擬器或硬體）
dev = qml.device('default.qubit', wires=2)

# 2. 用 @qml.qnode 定義量子電路
@qml.qnode(dev)
def my_circuit(theta):
    qml.RY(theta, wires=0)
    qml.CNOT(wires=[0, 1])
    return qml.expval(qml.PauliZ(0))

# 3. 像普通函數一樣調用
theta = np.array(0.5)
result = my_circuit(theta)

# 4. 自動計算梯度！
grad = qml.grad(my_circuit)(theta)
print(f"梯度: {grad:.4f}")
        

1

選擇計算設備 可選本地模擬器 (default.qubit) 或雲端量子硬體 (IBM、Xanadu、Amazon Braket)
2

定義量子電路 用 Python 函數描述量子門操作，PennyLane 將其轉換為量子電路
3

執行電路 直接調用函數即可，PennyLane 處理量子模擬或硬體通信
4

計算梯度 使用 qml.grad() 自動計算梯度，用於優化電路參數

📐 梯度計算方法

PennyLane 支持多種梯度計算策略，這是量子機器學習訓練的核心：

參數偏移規則

∂f/∂θ = [f(θ+π/2) - f(θ-π/2)] / 2

適合真實量子硬體，僅需兩次額外電路執行

推薦用於硬體

反向傳播

類似神經網絡的 backprop

在模擬器上最高效，可與 PyTorch/TF 整合

推薦用於模擬器

有限差分

∂f/∂θ ≈ [f(θ+ε) - f(θ)] / ε

最通用但精度較低，主要用於驗證

通用備選

🔗 與 PyTorch 整合

PennyLane 可以將量子電路作為 PyTorch 的一個神經網絡層使用：

        Python + PyTorch
import torch
import pennylane as qml
from pennylane import numpy as np

# 創建量子電路
dev = qml.device('default.qubit', wires=4)

@qml.qnode(dev, interface='torch')
def quantum_layer(inputs, weights):
    qml.AngleEmbedding(inputs, wires=range(4))
    qml.BasicEntanglerLayers(weights, wires=range(4))
    return [qml.expval(qml.PauliZ(i)) for i in range(4)]

# 封裝為 PyTorch 模組（QNN Layer）
weight_shapes = {"weights": (3, 4)}
qlayer = qml.qnn.TorchLayer(quantum_layer, weight_shapes)

# 在 PyTorch 模型中使用
model = torch.nn.Sequential(
    torch.nn.Linear(4, 4),    # 古典層
    qlayer,                      # 量子層！
    torch.nn.Linear(4, 2)     # 古典層
)
      

🌀 變分量子電路

VQC、量子核方法與自動微分優化

🎛️ 變分量子電路（VQC）

VQC 是量子機器學習的核心架構，類似於神經網絡，但計算在量子設備上進行。

            三大組成部分：
            數據嵌入層（Embedding）
變分層（Variational Layers）
測量層（Measurement）

          

VQC 的目標函數（損失函數）通過量子測量的期望值計算，參數通過古典優化器更新。

L(θ) = ⟨ψ(θ)|Ĥ|ψ(θ)⟩

VQC 電路結構：

q₀ —

Embed
x₀

—

RY
θ₀

—

CNOT

—

RY
θ₂

📊

q₁ —

Embed
x₁

—

RY
θ₁

—

⊕

—

RY
θ₃

📊

■ 數據嵌入 ■ 旋轉（可訓練） ■ 糾纏門

🔭 量子核方法（Quantum Kernel Methods）

量子核方法將數據映射到量子特徵空間，然後用支持向量機（SVM）進行分類。

            核心思想：

            量子特徵映射 φ(x) 可能捕獲古典計算難以表達的特徵模式。

K(x, x') = |⟨φ(x)|φ(x')⟩|²

量子核矩陣通過測量兩個數據點對應量子態的重疊度來計算。

          Python
import pennylane as qml
from sklearn import svm

# 定義量子特徵映射
@qml.qnode(dev)
def feature_map(x):
    qml.AngleEmbedding(x, wires=range(n_qubits))
    qml.BasicEntanglerLayers(weights, wires=range(n_qubits))
    return qml.state()

# 計算量子核矩陣
def quantum_kernel(x1, x2):
    state1 = feature_map(x1)
    state2 = feature_map(x2)
    return np.abs(np.dot(state1.conj(), state2))**2

# 構建核矩陣並訓練 SVM
K_train = np.array([[quantum_kernel(x1, x2)
    for x2 in X_train] for x1 in X_train])

clf = svm.SVC(kernel='precomputed')
clf.fit(K_train, y_train)
        

⚗️ 變分量子本徵求解器（VQE）

VQE 是混合量子-古典算法的旗艦應用，用於求解量子化學問題（分子基態能量）。

1

構造分子哈密頓量 將分子的量子力學描述轉化為泡利矩陣的線性組合
2

準備嘗試態（Ansatz） 設計參數化量子電路，用於近似基態波函數
3

量子測量期望值 在量子設備上測量哈密頓量的期望值（即能量）
4

古典優化最小化 用梯度下降更新電路參數，使能量最小化

            變分原理： E₀ ≤ ⟨ψ(θ)|Ĥ|ψ(θ)⟩

            任何嘗試態的能量期望值都不低於真實基態能量！

          VQE in PennyLane
import pennylane as qml
from pennylane import qchem

# 1. 建立 H₂ 分子哈密頓量
H, n_qubits = qchem.molecular_hamiltonian(
    ['H', 'H'],
    np.array([0.0, 0.0, 0.74])
)

# 2. 定義 Ansatz 量子電路
@qml.qnode(dev)
def vqe_circuit(params):
    qml.templates.AllSinglesDoubles(
        params, wires, hf_state, singles, doubles
    )
    return qml.expval(H)  # 測量能量

# 3. 古典優化（梯度下降）
opt = qml.optimizers.AdamOptimizer(stepsize=0.02)
for step in range(100):
    params = opt.step(vqe_circuit, params)
    energy = vqe_circuit(params)
    print(f"Step {step}: E = {energy:.6f} Ha")
        

🚀 實際應用案例

QAOA 投資組合優化與量子機器學習工作流

💼 QAOA 投資組合優化

量子近似優化算法（QAOA）能解決組合優化問題，如馬克維茲投資組合優化：

問題表達：QUBO 格式

min: xᵀΣx − μᵀx
約束: Σxᵢ = k（選 k 支股票）

Σ 是協方差矩陣，μ 是預期收益，x 是二進制選擇向量

1

問題編碼 將投資組合選擇問題轉化為量子哈密頓量
2

QAOA 電路 交替應用問題哈密頓量和混合哈密頓量
3

採樣最佳解 測量最高機率態即為近似最優解

          QAOA Portfolio
import pennylane as qml
import numpy as np

# 股票收益和協方差矩陣
returns = np.array([0.08, 0.12, 0.06, 0.15])
cov = np.array([...])  # 協方差矩陣
n_assets = 4

# 定義 QAOA 電路
@qml.qnode(dev)
def qaoa_circuit(gammas, betas, p):
    # 初始化均勻疊加態
    for i in range(n_assets):
        qml.Hadamard(wires=i)
    # p 層 QAOA
    for layer in range(p):
        problem_unitary(gammas[layer])
        mixer_unitary(betas[layer])
    return qml.probs(wires=range(n_assets))

# 優化 QAOA 參數
opt = qml.optimizers.GradientDescentOptimizer()
gammas, betas = optimize(qaoa_circuit)
        

📊 完整工作流比較

應用	量子部分	古典部分	PennyLane 工具
🔬 量子核 SVM	計算量子核矩陣	SVM 訓練和預測	AngleEmbedding + sklearn
⚗️ VQE 量子化學	製備 Ansatz 態，測量能量	梯度下降優化參數	qchem + Adam Optimizer
💼 QAOA 優化	執行 p 層 QAOA 電路	優化 γ,β 參數	qaoa.cost_layer + mixer
🤖 量子神經網絡	變分量子電路作為層	反向傳播訓練	TorchLayer / KerasLayer

🔧 支持的後端設備

PennyLane 支持多種量子計算後端：

🖥️

default.qubit

本地 Python 模擬器，適合開發和測試

🔵

IBM Quantum

真實超導量子比特硬體

🟠

Amazon Braket

雲端量子計算服務，多種硬體選擇

🟣

Xanadu Cloud

光子量子計算，PennyLane 原創公司

🏁 NISQ 時代的挑戰

當前量子硬體（NISQ 設備）面臨的主要挑戰：

🔴 量子噪聲（Noise）

量子比特容易受到環境干擾，導致計算錯誤

🟡 退相干（Decoherence）

量子態只能保持非常短的時間（微秒級）

🟢 混合算法的解決方案

使用淺層電路 + 古典優化，降低對量子硬體的要求

🧠 知識測驗

測試你對量子-古典混合機器學習的理解

📝 互動測驗

問題 1：量子比特與古典比特最主要的區別是什麼？

問題 2：在 PennyLane 中，用於量子硬體的最佳梯度計算方法是？

問題 3：VQE（變分量子本徵求解器）主要用於解決什麼問題？

問題 4：在混合量子-古典架構中，古典電腦負責什麼？

問題 5：QAOA 算法最適合用來解決哪類問題？

📚 深入學習資源

想進一步探索量子機器學習：

📄

原始論文 arXiv: 2511.14786 — Hybrid QML with PennyLane
🌐

PennyLane 官方文檔 pennylane.ai — 包含大量互動教程和代碼示例
🐍

安裝 PennyLane pip install pennylane （支持 Python 3.7+）
🤝

整合深度學習 pip install pennylane-torch 或 pennylane-tf

            論文的核心貢獻
            提供 PennyLane 的完整入門指南
展示量子核方法的完整工作流
用 VQE 求解真實分子能量
演示 QAOA 解決投資組合問題
展示與 PyTorch/TF/JAX 的無縫整合

          

量子-古典混合機器學習完整互動教學