量子行走：从理论到Python实现——6. 量子机器学习与前沿应用

量子机器学习探索了量子计算与人工智能的交叉领域，通过利用量子叠加与纠缠特性处理经典难以应对的高维数据模式。Berkeley CS269Q课程与PennyLane教程系统阐述了从量子特征映射到实际化学模拟的完整技术栈，本章将围绕特征空间扩展、优化求解与信息安全三个维度展开论述。

6.1 量子特征映射与核方法

量子特征映射通过将经典数据嵌入量子希尔伯特空间，利用指数级增长的态空间维度捕捉复杂的数据关联。这种映射不仅提供了核方法的新实现途径，更为神经网络架构引入了非经典的表达能力。

6.1.1 量子特征空间嵌入

角度编码与振幅编码构成了两种主流的数据嵌入策略。角度编码通过将数据特征映射为量子门的旋转参数，在受限量子比特数量下实现紧凑表示，适用于当前噪声中等规模设备的硬件约束。振幅编码则直接将数据归一化后载入量子态的复振幅，理论上可在对数量子比特中编码指数级经典数据，尽管其对态制备精度要求较高。

量子核估计利用特征映射的重叠积分定义相似度度量。通过制备对应两个数据点的量子态并计算其保真度，可获得隐式高维空间中的内积值，避免了显式的特征映射计算。这种量子优势在特定人工数据集上得到验证，当经典核函数无法有效分离数据时，量子核能够利用纠缠结构发现隐藏的模式。

量子支持向量机的训练流程融合了量子核估计与经