量子核方法与流场

核方法把数据经特征映射 $\varphi (x)$ 送进高维（乃至无穷维）特征空间再线性处理；量子核方法（quantum kernel methods）用参数化量子线路充当特征映射——$\varphi (x)=U(x)|0⟩$，核函数由态重叠给出。支持向量机（support vector machine, SVM）的量子版本 QSVM 因对偶形式天然是二次规划、可整体映射到量子退火机而成为流场分类的第一个落地点：Yuan 等用 D-Wave 退火求解的 qSVM 判别翼型流动分离，准确率超过经典 SVM 11–18 个百分点Yuan et al. 2023 (Intell. Comput.)。其批判性风险同样著名：若特征图可被经典高效模拟，量子核的优势蒸发（dequantization）。

量子特征图与核函数

定义量子特征图 $\varphi :x\mapsto U(x)|0⟩$（$U(x)$ 为依赖输入的编码线路），量子核为重叠的模方：

$$k(x,x^{\prime })=|⟨\varphi (x)|\varphi (x^{\prime })⟩{|}^2=|⟨0|U^{†}(x)U(x^{\prime })|0⟩{|}^2,$$

可由 SWAP 测试或纠缠测试在量子硬件上估计。核的有效性取决于特征图的”扭曲”程度：浅层角度编码的特征图等价于一组三角多项式，其核往往有经典闭式近似；深层纠缠线路的核则可能编码经典难算的相似度。表达能力完全由数据编码决定——这是量子核方法最重要的结构性事实：变分块只出现在训练后的决策函数里，核本身在训练前就被编码线路固定。

QSVM 的对偶推导与 QUBO 化

SVM 在特征空间中求最大间隔超平面，对偶问题为二次规划（QP）：

$$\underset{\alpha }{\min }\frac{1}{2}\sum _{m,n}{\alpha }_m{\alpha }_n{t}_m{t}_{n}k(x_m,x_n)-\sum _n{\alpha }_n,\text{s.t.}0\le {\alpha }_n\le C,\sum _n{\alpha }_n{t}_n=0,$$

其中 $t_n\in \{\pm 1\}$ 为标签、$C$ 为正则化上界；训练后决策函数为 $f(x)={\sum }_n{\alpha }_n{t}_{n}k(x_n,x)+b$，仅支持向量（${\alpha }_n>0$）有贡献。QP 的目标与约束都是实系数多项式——把每个 ${\alpha }_n$ 做定点二进制编码（${\alpha }_n\approx {\sum }_k{b}_{n,k}{B}^{-k}$，底数 $B$ 与位数 $K$ 为精度超参）并代入，目标化为二次型、等式约束以罚项 $\xi (\sum {\alpha }_n{t}_n{)}^2$ 并入，即得 QUBO 形式 ${\min }_b{b}^{T}Qb$，可在量子退火机上求解（流程见quantum-annealing-cfd的 QUBO 词条）。需要区分：这是”退火解 QP”的 qSVM——核 $k$ 仍由经典计算给出；显式构造量子特征图 $k(x,x^{\prime })=|⟨\varphi (x)|\varphi (x^{\prime })⟩{|}^2$ 并在退火/门式机外估计重叠的量子核估计（QKE）是另一（更”量子”的）条路线，流场上的 QKE 实证仍稀缺。

翼型流动分离判别（QC061）

图:二分类任务中 cSVM 与 qSVM 的决策边界与分类指标对比——量子退火解出的 qSVM 边界对风洞 PIV 样本划分更准(来源:QC061)

Yuan 等（上海交大）的两个算例覆盖实验与仿真数据Yuan et al. 2023 (Intell. Comput.)：

• 二分类（分离有无）：开口回流风洞 PIV 实验，NACA 633-018 翼型，攻角 $\alpha =0$–$19°$、来流 10/13/17 m/s，10 个展向压力测点共 45 样本（27 无分离/18 分离），PCA 降到 2 维，34 训练/11 测试。qSVM（D-Wave Advantage_system4.1 退火）准确率 0.909 对经典 scikit-learn SVM 0.818（+11.1%）。
• 多分类（分离后攻角判别）：CFD 数据 106 个表面压力测点 → PCA 3 维，$\alpha =14$–$20°$ 分 4 类，43 训练/20 测试，10 次洗牌。4 个 one-against-all qSVM 组合，且把退火返回的 5 个最低能解平均成组合分类器——利用退火固有的近优解系综提升泛化（作者的论证：diabatic 退火天然产生接近全局最优的多样解，比单点最优的决策面更稳健）。结果 0.79 对 cSVM 0.67（+17.9%），调偏置后可至 0.81，误分类基本只落在相邻攻角类。

图:多分类流程——106 个压力测点经 PCA 降维,one-against-all 训练 4 个 qSVM,D-Wave 返回的 5 个最低能解平均成组合分类器(来源:QC061)

超参（底数 $B$、位数 $K$、罚乘子 $\xi$、核宽 $\gamma$、正则 $C$）由网格搜索确定；样本量小（45/63）是这个演示的真实画像——定点编码的位数随 $\log (1/\text{精度})$ 增长，QUBO 规模随样本数平方增长，上千样本时的编码开销会成为主要瓶颈。

dequantization 风险与应用画像

量子核方法的批判集中在三点。其一，经典可模拟性：若特征图线路浅或纠缠结构简单，核矩阵可被经典张量网络或随机傅里叶特征近似到同等精度，量子环节成为冗余——dequantization 论证表明一大类低纠缠量子学习模型不比经典基线强。其二，数据加载：核估计需要对每对样本跑一次重叠电路，$O(n_{\text{sample}}^2)$ 次线路执行叠加在编码成本之上（见io-problem）。其三，优势归因：QC061 的提升来自”退火解 QP + 近优解系综平均”，其中多少归量子、多少归系综正则化，论文的对照实验并未完全分离。

流场应用画像因此比较清晰：适合小样本、中低维特征（PCA 后 2–3 维）、边界非线性的分类问题——流动分离检测、工况/攻角分类、气动数据聚档；不适合全场回归与大样本监督（那里的基线是深度网络，见ml-turbulence-closure）。它与量子退火路线共享全部基础设施，与显式量子核估计的界限将随硬件重叠估计精度一起被重估。

延伸阅读

• quantum-annealing-cfd
• ml-turbulence-closure
• qml-cfd-landscape
• quantum-generative-models