量子机器学习框架

一、量子机器学习框架的核心概念

1. 量子计算基础

   • 量子比特（Qubit） ：可处于叠加态（$ |\psi\rangle = \alpha|0\rangle + \beta|1\rangle $），支持并行计算。
   • 量子门操作：如Hadamard门（生成叠加态）、CNOT门（实现纠缠）等，用于构建量子电路。
   • 量子测量：导致量子态坍缩，输出概率性结果。

2. 与经典机器学习的结合方式

   • 量子增强算法：利用量子计算加速经典任务（如量子支持向量机、量子主成分分析）。
   • 量子-经典混合架构：量子处理器处理特定子任务（如优化、特征提取），经典网络负责整体训练。
   • 全量子模型：基于参数化量子电路（Parameterized Quantum Circuit, PQC）的端到端量子学习。

---

二、主流量子机器学习框架

以下为当前广泛使用的QML框架及其特点：

框架名称	开发团队	核心功能	适用场景
TensorFlow Quantum (TFQ)	Google Quantum AI	集成TensorFlow，支持量子-经典混合模型，提供量子层与经典层的无缝衔接。	量子神经网络、混合优化问题
Pennylane	Xanadu	支持自动微分与多后端（IBM Qiskit、Rigetti等），专注于变分量子算法。	量子化学模拟、量子优化
Qiskit Machine Learning	IBM Quantum	基于Qiskit生态，提供量子