3.2.2 变分量子分类器（VQC）：疾病诊断的量子分类器
在实际医疗场景中，我们常面临基于患者多维度特征（基因表达、影像特征、临床指标等）进行疾病诊断的任务，例如区分癌症与良性肿瘤，或评估患病风险。
经典方法的挑战
当特征维度高、样本量相对较小（尤其是罕见病），且特征间存在复杂的非线性关系时，经典的分类器如 SVM、随机森林或深度学习模型往往容易过拟合，导致泛化能力不足。这时，变分量子分类器（VQC）提供了一种新的思路。
VQC 核心原理
VQC 本质上是变分量子算法（VQA）在监督分类任务上的直接应用。它的流程可以拆解为以下几个关键步骤，理解这些环节有助于我们在实际工程中更好地调优。
-
数据编码 将经典输入数据向量
x映射到量子态中是第一步。常用的方法是量子特征映射：- 基础旋转编码：对每个特征分量
x_i，使用旋转门R_y(x_i * φ)或R_z(x_i * φ)（φ为缩放因子）编码到对应的 Qubit 上。 - 纠缠特征映射：在基础旋转后，引入一层或多层纠缠门（如 CNOT）和额外的旋转门，从而捕捉特征间的非线性交互。Qiskit 中的
ZZFeatureMap就是这类实现的典型代表。
- 基础旋转编码：对每个特征分量
-
参数化量子电路（Ansatz） 编码后的量子态会进入一个参数化的量子电路
U(θ)。这类似于经典神经网络中的隐藏层，负责学习数据中的复杂模式。常用的 Ansatz 结构与 VQE 类似，比如硬件高效型 Ansatz，旨在减少噪声影响并适应现有量子硬件。 -
量子测量 对最终量子态进行测量。通常选择测量特定 Qubit 的 Pauli-Z 算符期望值
<σ_z>。这个期望值范围在 [-1, 1] 之间，可视为模型输出的原始分数。 -
后处理与损失函数 将测量结果映射到类别概率，例如通过 Sigmoid 函数将分数转换到 [0, 1]。随后定义损失函数（如交叉熵损失）来衡量预测概率与真实标签的差异。
-
经典优化与迭代 利用经典优化器（如 Adam、SGD）最小化损失函数，更新 Ansatz 的参数
θ。重复上述过程直至模型收敛。
Python 实现示例（PennyLane + PyTorch）
下面是一个基于 PennyLane 和 PyTorch 的完整 VQC 实现片段。为了演示方便，我们使用模拟的二分类数据集。注意代码中关于导入库和循环结构的细节修正，确保环境兼容性。
import pennylane as qml
from pennylane import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
import torch.nn as nn
import torch.optim optim
X, y = make_classification(n_samples=, n_features=, n_informative=,
n_redundant=, random_state=)
y = y * -
scaler = MinMaxScaler(feature_range=(, np.pi))
X_scaled = scaler.fit_transform(X)
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=, random_state=)
X_train_t = torch.tensor(X_train, dtype=torch.float32)
y_train_t = torch.tensor(y_train, dtype=torch.float32).unsqueeze()
X_test_t = torch.tensor(X_test, dtype=torch.float32)
y_test_t = torch.tensor(y_test, dtype=torch.float32).unsqueeze()
n_qubits = X.shape[]
dev = qml.device(, wires=n_qubits)
():
i (n_qubits):
qml.RY(inputs[i], wires=i)
i (n_qubits - ):
qml.CNOT(wires=[i, i + ])
i (n_qubits):
qml.RY(inputs[i], wires=i)
n_layers = weights.shape[]
l (n_layers):
i (n_qubits):
qml.Rot(weights[l, i, ], weights[l, i, ], weights[l, i, ], wires=i)
i (n_qubits - ):
qml.CNOT(wires=[i, i + ])
qml.expval(qml.PauliZ())
weights = torch.randn(, n_qubits, , requires_grad=)
optimizer = optim.Adam([weights], lr=)
epoch ():
optimizer.zero_grad()
output = vqc_circuit(X_train_t, weights)
loss = nn.BCEWithLogitsLoss()(output.squeeze(), y_train_t)
loss.backward()
optimizer.step()
