Qiskit中VQC模型的梯度与海森矩阵计算方法问询

梯度计算 #

• 用QNN内置梯度配置：你用的VQC基于NeuralNetworkClassifier/Regressor，底层的EstimatorQNN支持直接配置梯度计算方式，不用碰qiskit.algorithms.gradients。构建QNN时指定梯度类即可：

  from qiskit_machine_learning.neural_networks import EstimatorQNN
  from qiskit.primitives.gradients import ParamShiftGradient
  
  # 假设你已经定义好ansatz量子电路、观测器observable，以及输入/权重参数
  qnn = EstimatorQNN(
      circuit=ansatz,
      observables=observable,
      input_params=input_params,
      weight_params=weight_params,
      gradient=ParamShiftGradient()  # 用参数移位法算梯度
  )
  

  把这个QNN传给VQC后，直接调用qnn.gradient(input_data, weights)就能拿到梯度值，训练时也会自动用这个梯度更新参数。

• 适配新版API：如果你的Qiskit是较新版本，qiskit.algorithms.gradients已经迁移到qiskit.primitives.gradients，用这里的ParamShiftGradient或者FiniteDiffGradient都能适配VQC的参数计算。

海森矩阵计算 #

官方的海森计算功能已弃用，目前可以这么搞：

• 手动嵌套梯度计算：海森矩阵是梯度的梯度，先算模型参数的一阶梯度，再对每个梯度分量再次计算梯度，最后把结果组合成矩阵。这种方法虽然麻烦，但完全基于现有梯度工具就能实现。
• 社区库替代：一些Qiskit生态的第三方库（比如Qiskit Dynamics）有自动微分工具，可以用来构建VQC并计算海森矩阵，注意核对版本兼容性就行。

关键提醒 #

• 新版本Qiskit的梯度API迁移到了qiskit.primitives下，旧的qiskit.algorithms.gradients确实不适配新VQC架构，别再用旧模块了。
• 参数移位法是量子模型梯度计算的常规操作，虽然参数多了计算量会涨，但小规模VQC完全够用。

内容的提问来源于stack exchange，提问作者Zhelun Li