1. 量子神经网络与噪声环境下的UAT理论概述
量子神经网络（QNN）作为量子计算与经典机器学习交叉领域的前沿研究方向，其核心价值在于利用量子态的叠加性和纠缠特性，实现对高维函数的高效逼近。在理想情况下，量子神经网络遵循量子通用逼近定理（Quantum Universal Approximation Theorem, QUAT），这一理论保证了足够复杂的量子电路能够以任意精度逼近目标函数。然而在实际的NISQ（Noisy Intermediate-Scale Quantum）设备上运行QNN时，量子噪声成为影响性能的关键因素。
退极化噪声（Depolarising Noise）是最常见的量子噪声模型之一，它描述了量子比特以特定概率完全混入最大混合态的过程。具体而言，对于单量子比特系统，退极化信道可以表示为： $$ \mathcal{E}(\rho) = (1-\epsilon)\rho + \epsilon\frac{I}{2} $$ 其中ε表示退极化概率，I是单位矩阵。在多量子比特系统中，这种噪声会以张量积形式扩展，导致量子态的整体保真度呈指数衰减。
测量误差（Readout Error）是另一类重要噪声源，它发生在量子态测量阶段，表现为量子比特状态的误读。假设单个量子比特的测量误读概率为p，那么对于两量子比特系统，测量结果m与真实量子态m'之间的转换关系可以用混淆矩阵Q描述： $$ q_{m,m'} = p^{H(m,m')}(1-p)^{2-H(m,m')} $$ 其中H(m,m')表示m与m'之间的汉明距离。这种经典性质的误差需要与量子噪声分开建模，但会共同影响最终的输出精度。
2. 噪声环境下QNN的理论框架构建
2.1 退极化噪声的数学建模
在存在退极化噪声的量子电路中，量子态的演化需要考虑噪声引入的扰动。设U为理想参数化量子电路，实际实现的含噪声操作为： $$ \tilde{U} = \mathcal{E} \circ U $$ 其中$\mathcal{E}$表示退极化信道。对于包含n个"精度块"(accuracy blocks)的QNN电路，整体保真度可以量化为： $$ \alpha = (1-\lambda_V)(1-\lambda_U) $$ 这里$\lambda_V$和$\lambda_U$分别对应状态准备和参数化酉操作的噪声强度。理论分析表明，含噪声QNN的输出将偏离理想值，产生系统性偏差： $$ \tilde{f}^R_{n,\theta}(x) = \alpha f^R_{n,\theta}(x) + R(1-\alpha)\left(\frac{1-4n}{2n}\right) $$
2.2 测量误差的影响分析
测量误差通过混淆矩阵Q影响最终的概率分布。设$\tilde{P}m$为含量子噪声时的输出概率，实际测量到的概率为： $$ P_m = \sum{m'=0}^3 q_{m,m'}\tilde{P}{m'} $$ 在最坏情况下，当所有概率质量都迁移到错误结果时，输出偏差的上界为： $$ |f^R{n,\theta} - \tilde{f}^R_{n,\theta}|_{L^2(\mu)} \leq 4Rp $$ 这一结果表明，测量误差引入的偏差与输出尺度R和误读概率p直接相关。
2.3 综合误差边界推导
结合退极化噪声和测量误差的影响，可以得到完整的误差上界公式： $$ \left(\int_{\mathbb{R}^d}|f(x)-f^R_{n,\theta}(x)|^2\mu(dx)\right)^{1/2} \leq \frac{\alpha L_1[\hat{f}]}{\sqrt{n}} + (1-\alpha)|f|_{L^2(\mu)} + R(1-\alpha)\left(\frac{1-4n}{2n}\right) + 4Rp $$ 这个不等式揭示了不同误差源对整体性能的影响：第一项代表理想QNN的近似误差，第二项来自退极化噪声的系统性偏差，第三项是噪声引起的额外偏置，最后一项则反映测量误差的贡献。
3. 量子神经网络在金融工程中的应用验证
3.1 Black-Scholes期权定价模型实现
为验证理论结果，研究团队选择Black-Scholes期权定价模型作为测试案例。该模型描述了欧式看跌期权价格随标的资产价格S、行权价K、到期时间T、无风险利率r和波动率σ的变化关系。在QNN实现中，这些参数首先通过仿射变换归一化到[0,1]区间： $$ x := \frac{x - x_{\min}}{x_{\max} - x_{\min}}, \quad x \in {S,K,T,r,\sigma} $$ 输出尺度R设置为训练集中最大期权价格的1.1倍，确保所有目标值都在[0,R]范围内。
量子电路采用分层设计，包含三个主要阶段：
- 状态制备：在(n-2)个控制量子比特上应用Hadamard门
- 参数化酉操作：实现n个精度块的块对角酉矩阵
- 测量：在计算基下进行测量
3.2 均匀控制旋转优化
参数化酉操作U(θ)的原始实现需要O(n^2)个两量子比特门，这在当前硬件上会导致不可接受的噪声积累。研究采用均匀控制旋转(Uniformly Controlled Rotations, UCR)技术进行优化：
- 在目标量子比特0上应用UCRz门，并用Hadamard门共轭
- 在目标量子比特1上应用UCRy门
这种优化将两量子比特门数量减少了约15倍，显著降低了硬件执行时的错误累积。
3.3 参数优化策略比较
研究团队实现了三种不同的参数优化方法：
| 方法 | 算法 | 描述 |
|---|---|---|
| A | L-BFGS-B | 带约束的拟牛顿法，同时优化所有参数 |
| B | 两阶段优化 | 第一阶段固定γ优化(a,b)，第二阶段优化γ |
| C | Adam | 自适应学习率的梯度下降法 |
损失函数采用标准均方误差： $$ \mathcal{L}(\theta) := \frac{1}{2n}\sum_{i=1}^{2n}(f^R_n(x_i;\theta)-P_i)^2 $$
实验结果表明，方法A在精度上表现最佳，但计算成本最高；方法B在保持竞争力的同时显著降低了训练成本。
4. 硬件实现与噪声影响分析
4.1 IBM量子处理器执行
电路在ibm_fez处理器上通过Qiskit Runtime的SamplerV2原语执行，关键步骤包括：
- 电路转换：使用optimization_level=3将抽象门映射到后端原生门集
- 批处理：所有测试电路作为单个作业提交以减少队列开销
- 测量预算：每个电路8192次测量，平衡统计精度与运行时间
统计误差对输出价格的影响为： $$ 2R\sqrt{\frac{(P_1+P_2)(1-P_1-P_2)}{N_{\text{shots}}}} $$
4.2 噪声影响的实证研究
通过改变退极化噪声强度ε，可以观察到QNN输出的变化规律：
- 当ε=0.001（接近ibm_fez的两量子比特错误率2.548×10^-3）时，性能下降尚不明显
- 当ε=0.02时，系统性偏差项(1-α)‖f‖_{L^2(μ)}开始主导误差
图7展示了不同噪声水平下的输出变化趋势，验证了理论预测的准确性。硬件实验结果（图8）表明，综合噪声模型（包含振幅阻尼、相位阻尼和退极化噪声）比纯退极化模型更接近实际观测值。
5. 关键发现与实用建议
5.1 理论贡献总结
- 建立了含噪声QNN的通用逼近理论框架，量化了退极化噪声和测量误差的影响
- 推导出明确的误差上界公式，揭示了噪声参数与输出偏差的定量关系
- 提出了适用于NISQ设备的电路优化策略，显著降低了两量子比特门数量
5.2 实践指导建议
- 电路设计时应优先考虑UCR等门数优化技术，减少噪声积累
- 对于精度要求高的应用，建议采用两阶段优化策略平衡性能与成本
- 输出尺度R的选择需要谨慎，过大的R会放大测量误差的影响
- 测量次数N_shots应根据统计误差公式和目标精度要求合理设置
重要提示：在真实量子硬件上部署QNN时，建议先通过密度矩阵仿真预测噪声影响，再调整电路参数补偿系统性偏差。同时，定期校准设备以获取最新的噪声参数对于保持模型性能至关重要。
6. 未来研究方向
虽然本研究取得了显著进展，但仍有一些开放问题值得探索：
- 非马尔可夫噪声模型对QNN性能的影响
- 量子纠错技术与QNN的结合方式
- 针对特定应用场景的噪声自适应训练算法
- 更高效的参数优化策略开发
这些问题的解决将进一步提升QNN在噪声环境下的实用性和可靠性，推动量子机器学习在金融、化学、优化等领域的实际应用。
