混合经典-量子深度学习模型中Hadamard门与CNOT门的作用问询

问题背景 #

我正在研究深度学习领域的混合经典-量子模型，对量子训练层中Hadamard门和CNOT门的用途存在疑惑。当前代码采用了Hadamard Layer、CNOT layer以及Rotational encoding，代码如下：

def H_layer(nqubits):
    """Layer of single-qubit Hadamard gates.
    """
    for idx in range(nqubits):
        qml.Hadamard(wires=idx)

def RY_layer(w):
    """Layer of parametrized qubit rotations around the y axis.
    """
    for idx, element in enumerate(w):
        qml.RY(element, wires=idx)

def entangling_layer(nqubits):
    """Layer of CNOTs followed by another shifted layer of CNOT.
    """
    # In other words it should apply something like :
    #CNOT  CNOT  CNOT  CNOT...  CNOT
    #   CNOT  CNOT  CNOT...  CNOT
    for i in range(0, nqubits - 1, 2): #loop over even indices: i=0,2,...N-2
        qml.CNOT(wires=[i, i + 1])
    for i in range(1, nqubits - 1, 2): #loop over odd indices:  i=1,3,...N-3
        qml.CNOT(wires=[i, i + 1])  

请问为何该代码要使用Hadamard门和CNOT门？

解答 #

Hadamard门的作用 #

• 初始化叠加态：Hadamard门会把每个量子比特从基态|0⟩转化为均匀叠加态(|0⟩ + |1⟩)/√2，让每个量子比特同时处于0和1的叠加状态。这一步为后续的参数化旋转（RY层）提供了更丰富的状态空间，让模型能探索更多量子态组合，提升表达能力。
• 增强特征映射：在混合模型中，Hadamard门相当于给经典输入的量子编码“解锁”了更多维度，避免量子态局限在单一基态，确保后续的参数旋转能有效调制量子态，捕捉更复杂的模式。

CNOT门的作用 #

• 构建量子纠缠：CNOT门是两比特门，能让控制比特和目标比特产生纠缠——目标比特的状态会依赖于控制比特的状态。代码里的两层交替CNOT结构（先偶索引相邻比特，再奇索引相邻比特），可以让所有相邻量子比特都产生纠缠，最终实现多比特之间的全局关联。
• 提升模型表达能力：纠缠是量子计算的核心优势之一，通过纠缠，量子模型能表达经典神经网络难以捕捉的多变量关联特征。这种全连通式的纠缠层，让量子态的信息在多个比特间传递，配合参数化旋转层，能让模型学习到更复杂的函数映射。
• 模拟经典神经网络的“连接”机制：类似经典深度学习中的全连接层，纠缠层让不同量子比特的状态相互影响，实现信息的整合，这对混合模型完成分类、回归等任务至关重要。

内容的提问来源于stack exchange，提问作者venky iyre