来源论文: https://arxiv.org/abs/2607.06058v1 生成时间: Jul 08, 2026 12:53

深度解析 SQGen：基于隐式调制量子化张量列车（QTT）的结构化量子图像生成算法与 NISQ 部署实践

0. 执行摘要

量子生成模型（Quantum Generative Models）在量子机器学习（QML）领域占据着举足轻重的地位。其核心理念在于：利用量子态的叠加与纠缠特性，在指数级维度的高维希尔伯特空间中重构和采样复杂的概率分布。然而，在嘈杂中等尺度量子（NISQ）时代，现有的量子图像生成模型普遍面临着三重毁灭性打击：

1. 贫瘠高原（Barren Plateaus, BP）：深层参数化量子线路（PQC）在训练时梯度方差呈指数级衰减，使模型陷入无法优化的泥潭；
2. 状态制备开销高昂（Expensive State Preparation）：传统基于振幅编码的模型在输入连续隐变量时，需要极深的态制备电路，硬件噪声累积迅速侵蚀量子相干性；
3. 经典解码器依赖（Decoder Dependency）：许多混合模型在输出端严重依赖经典卷积神经网络（CNN）解码器来恢复图像尺寸，这使得“量子优越性”名存实亡。

为了彻底解决这些痛点，来自 RIKEN 先进智能项目中心（AIP）的林光（Guang Lin）与赵启斌（Qibin Zhao）团队提出了 SQGen 算法。这是一种完全摒弃了经典解码器、在推理阶段实现端到端生成的结构化量子图像生成算法。SQGen 的创新性体现在两个核心维度：

• 物理键骨架（Bond-augmented QTT Skeleton）：将量子化张量列车（QTT）的虚拟键索引（Bond Index）物理化地推广（Promotion）为少量的辅助键比特（Ancilla Bond Qubits），利用局部幺正算符在尺度比特与辅助比特间构建跨尺度的结构化关联，实现高效的多尺度特征提取；
• 角级隐式调制（Latent Modulation, LM）：通过阿贝尔群旋转门的代数恒等融合，将连续隐变量 $z$ 直接注入单比特旋转门角度。这不仅实现了严格的角级隐式调节、保证了生成样本的多样性，还在部署阶段节省了一半的单比特旋转门开销。

在训练阶段，SQGen 采用全经典可微张量网络训练管线，通过精确反向传播规避了量子真机采样的 shot 噪声与梯度估算开销；在部署阶段，模型参数可以一比一无损导出为原生量子线路，直接在真实量子芯片（如含有 156 个超导比特的 IBM Heron 处理器）上进行端到端采样。实验表明，SQGen 在 MNIST 和 Fashion-MNIST 数据集上的重构误差（KL 散度与 $L_1$ 距离）以及生成多样性（Diversity）均显著优于传统量子 Born 机（QCBM）及其变体，且在真实的物理噪声环境下展现了极强的鲁棒性，为未来将高维张量网络算法与 NISQ 芯片深度融合开辟了全新通路。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题：图像生成在 NISQ 时代的瓶颈

在经典机器学习中，生成式对抗网络（GAN）与变分自编码器（VAE）等模型在二维图像生成领域已臻化境。然而，要在纯量子计算架构（如量子 Born 机 QCBM）中实现同等尺度（如 $32 \times 32$ 或更大）的端到端图像生成，却面临着底层物理理论与硬件约束的根本冲突。这一核心冲突可解构为以下三个子问题：

1. 多尺度空间关联的量子编码效率：图像本质上是高度局域、具有强空间多尺度关联的数据结构。传统的振幅编码虽然能将 $2^{2n_s}$ 大小的图像编码进 $2n_s$ 个物理量子特，但为了在这些比特间构建长程或多尺度关联，需要大量的受控两比特门（如 CNOT）。这不仅使电路深度（Circuit Depth）随比特数指数级增加，更会因门误差累积导致量子态迅速退相干。
2. 隐变量注入的高效性与保真度平衡：为了生成丰富多样的样本，模型必须引入连续隐变量 $z$。如果像量子扩散模型或某些振幅自编码器那样，在每次采样前都根据 $z$ 动态构建一个态制备电路，其硬件复杂度在 NISQ 时代是不可承受的；如果仅简单地通过少量输入层比特上传 $z$（即传统数据重上传），其表达能力又极其有限，极易发生模式坍塌（Mode Collapse）。
3. 经典与量子的边界问题：目前多数宣称实现“量子图像生成”的方案（如 Hybrid-QGAN），其量子部分仅输出一个长度极短的特征向量，而后端则使用了一个拥有数百万参数的经典反卷积网络（Deconvolutional Decoder）来放大生成图像。在这种架构下，图像生成的主要表达能力依然受控于经典网络，量子优势大打折扣。如何设计一个完全不含经典解码器、直接通过测量计算基概率分布来无损恢复整幅图像的架构，是 QML 界的圣杯之一。

1.2 理论基础一：量子化张量列车（QTT）与物理键比特推广

1.2.1 图像的多尺度 Morton 编码（Z-Order Mapping）

为了将二维图像的空间局域性天然地嵌入量子线路的拓扑结构中，SQGen 采用了 Morton 编码（Z-order 布局）。对于一幅大小为 $s = 2^{n_s} \times 2^{n_s}$ 的图像，其行坐标 $r$ 与列坐标 $c$ 可以分别写为 $n_s$ 位的二进制形式：

其中 $r_0, c_0$ 代表图像的最粗粒度（Coarsest scale）划分，而 $r_{n_s-1}, c_{n_s-1}$ 则代表最细粒度（Finest scale）像素。通过交错合并行、列二进制位，我们可以将一幅图像映射为一个长为 $2n_s$ 的一维二进制串：

这种映射在空间上呈现 Z 字形排列。对应的量子系统需要分配 $2n_s$ 个物理比特（Physical Qubits），其中比特对 $(q_{2k}, q_{2k+1})$ 代表空间分辨率在第 $k$ 个尺度上的具体像素细化。由此，图像整体的像素分布被建模为了物理比特在计算基 $\{|i\rangle\}$ 下的 Born 概率分布 $p(i)$。

1.2.2 经典 QTT 分解的局限与物理化革新

对于离散的多维函数 $p(r_0, c_0, \dots, r_{n_s-1}, c_{n_s-1})$，量子化张量列车（Quantized Tensor Train, QTT）分解将其表示为一系列局部张量核（Tensor Cores）沿着一维链式收缩的形式：

其中 $b_k \in \{1, 2, \dots, \chi\}$ 是键索引（Bond Index），$\chi$ 代表键秩（Bond Rank），控制着相邻空间尺度之间的关联复杂度。当 $\chi = 1$ 时，QTT 退化为完全无关联的直积态；当 $\chi > 1$ 时，QTT 能够通过键变量传递跨尺度的高阶纠缠。然而，在经典张量网络算法中，这些键索引 $b_k$ 仅仅是数学求和的哑指标（Dummy indices），无法直接对应量子线路中的实体。

SQGen 的重大技术突破在于：它将这些虚拟的键索引 $b_k$ 进行了“物理化推广”。具体而言，它在量子系统中分配了 $n_b = \log_2 \chi$ 个物理辅助键比特（Ancilla Bond Qubits）组成辅助寄存器 $\mathcal{H}_b = (\mathbb{C}^2)^{\otimes n_b}$。每一个张量核 $A_k$ 被提升为一个作用在辅助寄存器 $\mathcal{H}_b$ 以及尺度 $k$ 的两个物理比特 $\{q_{r_k}, q_{c_k}\}$ 上的局部幺正变换 $U_k$。这种设计使得 QTT 的链式张量收缩在量子芯片上变成了一个沿一维局部化分布、通过辅助比特流转信息的局部量子线路：

          辅助键比特线 (nb 比特) ─────────────────■─────────■─────────
                                                 │  U_k     │  U_k+1
          尺度 k 物理比特对 (2 比特) ──────────────■─────────┼─────────
                                                            │
          尺度 k+1 物理比特对 (2 比特) ──────────────────────■─────────

在输出端，图像的概率分布通过对全体比特（辅助比特 + 物理比特）进行计算基测量，并丢弃（Marginalize）所有的辅助比特来获得。其数学解析式为：

这一设计巧妙地让非平庸的跨尺度纠缠在局部幺正作用中流转，避免了全局多比特门的设计，保证了量子线路在宽度和深度上的高度可控性。

1.3 理论基础二：角级隐式调制（Latent Modulation, LM）的代数融合

1.3.1 Abelian 旋转群的融合原理

为了解决隐变量 $z \in \mathbb{T}^d$ 的平滑注入问题，传统的量子生成模型大多采用数据重上传（Data Re-uploading）机制，在物理比特上紧邻可训练参数门交替插入包含隐变量的旋转门。例如，对某个物理比特，其注入和训练过程在传统的电路中表示为：

其中 $a \in \{y, z\}$。这种设计不仅使旋转门数量加倍，而且在物理硬件上难以优化。SQGen 提出，由于绕同一轴线旋转的旋转门属于阿贝尔（Abelian）一维连续李群，其群乘法满足指数相加律。因此，上述两次连续旋转可以代数上无损地融合为单个等效旋转：

定义等效角（Effective Angle）为：

这一看似简单的代数化简，在 NISQ 时代具有非凡的工程价值：

1. 理论等价性：它与未融合的经典重上传表达完全等价，在频域上覆盖相同的有限三角级数（Band-limited functions）；
2. 硬件门数减半：在真实硬件部署时，只需要执行一个等效角为 $\alpha^{a, \text{eff}}(z)$ 的原生单比特旋转门。由于单比特门往往是噪声的重要来源之一，这一融合直接降低了线路中的物理错误率；
3. 可解释性与平滑控制：当将调制权重 $\omega^a$ 设为 $0$ 时，等效角自动退化为静态可训练角度 $\theta^a + \beta^a$，模型无损降级为普通 Born 机。这提供了一个极佳的连续渐变控制手段。

1.3.2 局部节点块内部线路拓扑

在 SQGen 的实现中，每个局部幺正核 $U_k$ 由 $L_{\text{site}}$ 个子层组成。在每个子层 $\ell$ 中，参与该尺度的每个局部比特 $q \in \mathcal{L}_k$ 分别进行一次 $R_y$ 和 $R_z$ 的等效角旋转：

旋转结束后，通过固定的受控非（CNOT）门网络 $E_{k,\ell}$ 构建局部纠缠。具体的 CNOT 模式（如下文所述）包含了物理比特之间以及辅助比特与物理比特之间的多维级联，从而在一维 QTT 链中引入极强的局部双向关联。

1.4 圆环面（Torus）先验空间与 Sobol 采样设计

1.4.1 几何匹配：为什么拒绝高斯先验？

经典生成模型（如 GAN, VAE）由于潜空间是连续欧氏空间 $\mathbb{R}^d$，普遍采用各向同性高斯分布 $\mathcal{N}(0, I)$ 作为先验。然而，在量子系统（特别是参数化量子线路）中，所有的可观测量和门控操作均直接依赖于单比特旋转门的角度，而旋转角本质上是 $2\pi$-周期的：

若强行将无界的欧氏空间高斯先验映射到 $2\pi$-周期的角编码空间中，会导致致命的多对一混叠现象（Aliasing）。高斯分布两端（如 $> 3\sigma$ 的区域）的输入会被周期性地折叠回核心区域，从而引发梯度混沌与生成模式的模糊。为了解决这一几何 mismatch，SQGen 创新地采用高维圆环面 $\mathbb{T}^d \simeq [-\pi, \pi)^d$ 作为隐变量 $z$ 的先验空间。这确保了潜空间支撑集与量子旋转角度的拓扑结构完美共轭。

为了将输入图像 $x$ 映射到该圆环面潜空间，编码器 $E_\phi(x)$ 的输出层采用周期性变换。在先验匹配时，采用最大均值差异（MMD）损失，并通过一个折叠保真度嵌入算符 $\Phi(z) = [\cos z, \sin z]^T$ 来保持其 $2\pi$-周期的流形测度：

1.4.2 拟蒙特卡洛（QMC）Sobol 采样

传统生成模型在采样先验分布时采用独立的随机抽样（i.i.d. draws）。但由于批大小（Batch Size）在量子模拟训练中受到限制，独立随机抽样容易造成局部的“采样空洞”或“采样团聚”，导致训练不稳定。SQGen 在圆环面先验中采用了扰动索博尔序列（Scrambled Sobol quasi-Monte Carlo sequence）。作为一种典型的低偏差点集（Low-discrepancy point set），Sobol 序列能够以极其均匀的方式在相同的采样点数下平铺整个 $\mathbb{T}^d$ 圆环面，不仅提供了更低方差的先验均值估计，亦极大地稳定了对抗/重构梯度的更新轨迹。

2. 关键 Benchmark 体系，计算所得数据，性能数据

2.1 实验设置与定量评估指标

为了全面验证 SQGen 的物理优越性与生成质量，论文在经典计算机上构建了基于 PyTorch 与 TensorNetwork 库的可微张量收缩仿真环境，并在真实超导量子处理器（IBM Heron ibm_kawasaki）上进行了真机部署部署。主要的实验配置如下：

• 数据集：

  1. MNIST：经典的 $28 \times 28$ 手写数字集，零填充至 $32 \times 32$（对应 $n_s = 5$ 尺度，共需 10 个物理比特）；
  2. Fashion-MNIST：结构更复杂的 $32 \times 32$ 衣服鞋包图像数据集；
  3. 合成多尺度条纹（Multi-scale stripes）：用于测试多尺度捕获能力的 $z$-不变余弦条纹图案；
  4. 连续高斯斑（Continuous-position Gaussian blob）：随 $z$ 连续运动的 Gaussian 分布图，用于定量检测隐变量的连续平滑相应。

• 核心对比基线（Ablation Configurations）：

  1. Vanilla BM：传统量子 Born 机，无 QTT 骨架，亦无隐变量调制；
  2. BM + LM：仅加入角级隐式调制，无辅助键比特；
  3. BM + QTT：仅引入物理辅助键比特（键秩为 $\chi$），无隐变量调制（退化为单类别原型拟合）；
  4. SQGen：完整体，集成了物理键比特 QTT 骨架与隐变量角级调制。

• 定量评估指标体系：

  • 样本重建精度：
    • $\text{KL}/x$：生成样本概率分布与真实目标图像之间的平均 Kullback-Leibler 散度；
    • $L_1/x$：生成的 Born 概率向量与目标图像归一化像素向量之间的平均 $L_1$ 距离。
  • 类均值保真度（Class-mean Fidelity）：
    • $\text{KL}_c$ 与 $L_{1c}$：生成的类平均概率分布与真实数据集该类别的实证均值（Empirical Class Mean）之间的偏差。该指标用于检测模型是否学习到了大体类的拓扑结构。
  • 生成多样性（Diversity, Div.）：
    • 统计同类生成样本之间的平均两两 $L_1$ 距离。如果多样性为 0，代表模型发生了灾难性的模式坍塌（退化为输出固定图像的静态机器）。

2.2 MNIST 与 Fashion-MNIST 核心结果深度剖析

我们首先分析在 MNIST 数据集上、对 10 个数字类别进行完全经典仿真训练后的性能数据。Table 1 详实地记录了这四种配置以及两个基线（类别均值和均匀分布）的宏观平均表现：

表 1：MNIST 手写数字生成性能综合对比。数据格式为：均值 $\pm$ 标准差。

2.2.1 消融数据中的深层物理协同效应

仔细剖析表 1 中的数据，可以获得一系列对 QML 电路设计极有指导意义的见解：

• 单一模块的局限性：
  • BM + QTT：当仅仅引入物理辅助键比特（无隐变量注入）时，重构误差 $\text{KL}/x = 0.870$ 虽好，但多样性（Div.）直接归零。这在物理上意味着，该电路退化为了一个静态的原型发生器，它由于缺少隐变量 $z$，只能重构一幅完美的“平均手写数字”图像，无法根据任何条件变化产生不同的手写体风格，完全丧失了生成的多样性。
  • BM + LM：相反，如果只有角级隐变量调制而没有物理键 QTT 的结构化拓扑骨架，重构误差会暴跌至 $\text{KL}/x = 0.986$（所有配置中最差）。虽然它具备了 $0.184$ 的多样性，但其生成的图案极其嘈杂、模糊（参见图 4 中的视觉效果），无法准确构建手写体的边缘多尺度关联。
• SQGen 的协同放大效应：当且仅当将 QTT 骨架与 LM 隐变量调制有机结合（SQGen）时，系统不仅斩获了最低的单样本重构误差（$\text{KL}/x = 0.828$，显著低于无调制的 0.870），还同时激发了最高的多样性（$\text{Div.} = 0.214$）。这证明：QTT 物理键提供了多尺度底层流形的高维承载空间，而隐变量调制负责在该流形内进行高保真的平滑移动。两者属于强协同、不可分割的关系。

针对更复杂的 Fashion-MNIST 衣服图像，SQGen 的优势依然十分稳固，表 5 展示了其均值统计：

表 5：Fashion-MNIST 衣服鞋包图像生成性能综合对比。

2.3 键秩缩放（Bond-Rank Scaling）与表达力层次

为了量化分析推广出的辅助键比特对模型表达能力的影响，论文进行了详尽的物理键秩 $\chi$ 缩放实验。在物理映射中，键比特数 $n_b = \log_2 \chi$，即 $\chi \in \{2, 4, 8, 16\}$ 分别对应配置 $1, 2, 3, 4$ 个物理辅助比特。MNIST 数字 0 以及 10 个数字宏观平均的缩放数据在表 2 与表 7 中给出：

表 2 & 表 7：键秩 $\chi$（以及对应的辅助比特数 $n_b$）的缩放演进及表达力-抗噪性平衡数据。

2.3.1 表达力与多样性的物理权衡

从缩放数据可以看出，量子表达力并不是单调随物理键秩无限增加的：

1. 重构精度的饱和律：当 $\chi$ 从 2 增加到 8 时，重构误差 $\text{KL}/x$ 从 0.927 显著降低到 0.828，这表明更多的辅助物理比特提供了更高维的虚拟关联纠缠通道，让模型能建模手写体更细腻的空间细节（如数字的拐角与圆弧）。但当 $\chi$ 进一步提升到 16 时，重构精度不再单调优化，甚至在某些数字上开始恶化。这符合经典张量列车在有限数据集上的过拟合现象。
2. 多样性的收缩律：非常有趣的一个物理事实是，随着 $\chi$ 的增加，生成多样性（Div.）在不断下降（从 $\chi=2$ 时的 $0.289$ 缩水至 $\chi=16$ 时的 $0.115$）。在多体物理上这很容易理解：较大的物理键秩将量子系统的Born联合分布强行锚定（Tighten）在了高保真的类均值骨架上，导致量子态坍缩在了过于特定的经典路径上，牺牲了探索其他流形样式的灵活性。因此，在综合评估下，$\chi = 8$（配置 3 个物理辅助比特）是兼顾重构精度、类结构与生成多样性的物理黄金分割点。

2.4 噪声鲁棒性与真机部署验证

2.4.1 去极化噪声模型下的仿真压力测试

为了模拟 NISQ 超导芯片中高频出现的门错误，我们在每个两比特 CNOT 门后引入一个两比特去极化信道（Depolarizing Channel）$\mathcal{D}_p$，噪声率 $p \in [0, 0.05]$：

在经典精确密度矩阵仿真器中测试不同键秩 $\chi$ 电路对该噪声的敏感度，所得曲线（论文中的 Figure 7）表明：

• 键秩 $\chi=2$ 与 $\chi=4$ 的电路表现出极强的平坦抗噪性：由于它们所使用的辅助比特和 CNOT 门极少（例如 $\chi=2$ 仅有 92 个 CNOT），即便在高噪声区 $p=0.05$ 时，KL 散度也未发生崩塌。这展现了浅层结构化张量网络线路对局部去极化噪声的天然容忍力。
• 默认配置 $\chi=8$ 精度高，但高噪区退化稍快：由于 $\chi=8$ 包含约 152 个 CNOT，累积的去极化误差较大。这提示我们：在真实低保真硬件上部署时，选择略小的键秩（如 $\chi=4$）在抗噪表现与物理精度上能达到更好的权衡。

2.4.2 IBM Heron 真实量子计算机部署

研究团队将训练好的 SQGen 精确部署在 IBM Quantum 平台的 156-qubit 超导芯片 ibm_kawasaki 上，并与学术界主流的**振幅编码（Amplitude Encoding, AE）**基线进行实测对比。在真机测量的物理参数中：

• 单比特/两比特（2Q）中值错误率为 $1.56 \times 10^{-3}$，多层 CNOT 联合错误率为 $5.32 \times 10^{-3}$，测量（Readout）中值错误率为 $5.98 \times 10^{-3}$。
• 真机采样数（Shots）分别设为 500、5000 与 50000。

定性重建效果（Figure 8）极为震撼：

• 振幅编码（AE）崩溃：在真机噪声的侵蚀下，AE 基线输出的图像结构完全损毁（在 Figures 8 中呈现为均匀的灰色斑驳和高噪散点），无法辨识任何高斯斑结构。这是因为 AE 的状态初始化电路极深，量子相干性在真机上早已消散殆尽；
• SQGen 结构极其完好：即便在仅有 500 个 Shots 的极低采样下，SQGen 依然完美地重构出了具有平滑边缘、清晰中心位置的高斯斑团，且随着 Shots 增加至 50000，斑团细节更加凝聚，逼近无噪模拟极限。这实证了 SQGen 的物理局部化幺正架构极具抗噪韧性，是真正具有 NISQ 可行性的端到端算法。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

3.1 软件架构与依赖管理

SQGen 的开发围绕着**“经典可微模拟训练 $\rightarrow$ 原生 Qiskit 门控无损导出 $\rightarrow$ Qiskit-Aer 噪声仿真与真机部署”**这一完整现代 QML 管线展开。核心依赖软件包版本及功能划定如下：

• PyTorch (>= 2.0.0)：作为主导的张量微分引擎，负责整个可微训练阶段的自动求导与网络拓扑构建；
• TensorNetwork / Customized PyTorch-based Contraction Module：实现对 QTT 网络的局部前向演化。采用分块矩阵乘法（BMM）和张量转置（torch.permute）模拟局部幺正块的群乘积，使梯度能够毫无损失地回传给角度参量 $(\theta, \beta, \omega)$；
• Qiskit (>= 1.0.0)：量子线路的标准编排框架。负责将优化完结的经典参数转化为实际的 QuantumCircuit，应用其 transpile 管道将自定义单比特角调制映射为超导芯片的原生门集 $\{R_y, R_z, \text{CNOT}\}$；
• Qiskit-Aer：高保真量子电路物理噪声模拟器，用于快速评测去极化信道误差。

3.2 核心代码模块展示（经典训练到 Qiskit 导出）

以下给出一个高度精炼且具备完整工程化逻辑的 SQGen 关键代码模块，包含了角级隐变量调制（LM）的正向计算逻辑，以及如何无损导出为 Qiskit 门电路的核心逻辑：

import torch
import torch.nn as nn
import numpy as np
from qiskit import QuantumCircuit

class LatentModulationLayer(nn.Module):
    """
    角级隐式调制(LM)层：
    实现公式 alpha_eff(z) = theta + beta + omega * z 的前向计算
    """
    def __init__(self, num_qubits, num_sublayers, latent_dim=4):
        super(LatentModulationLayer, self).__init__()
        self.num_qubits = num_qubits
        self.num_sublayers = num_sublayers
        self.latent_dim = latent_dim
        
        # 实例化可训练的主路径角度 theta 和 偏置 beta
        self.theta_y = nn.Parameter(torch.randn(num_sublayers, num_qubits) * 0.1)
        self.beta_y  = nn.Parameter(torch.randn(num_sublayers, num_qubits) * 0.1)
        self.theta_z = nn.Parameter(torch.randn(num_sublayers, num_qubits) * 0.1)
        self.beta_z  = nn.Parameter(torch.randn(num_sublayers, num_qubits) * 0.1)
        
        # 实例化可训练的隐变量权重乘子 omega
        self.omega_y = nn.Parameter(torch.randn(num_sublayers, num_qubits, latent_dim) * 0.1)
        self.omega_z = nn.Parameter(torch.randn(num_sublayers, num_qubits, latent_dim) * 0.1)

    def forward(self, z):
        """
        z: 形状为 (batch_size, latent_dim) 的圆环面潜码
        返回等效角矩阵, 形状为 (batch_size, num_sublayers, num_qubits, 2)
        """
        batch_size = z.shape[0]
        
        # 计算 Ry 等效角
        # omega_y: (L, N, D) -> 对 z (B, D) 矩阵乘 -> (L, N, B) -> 转置为 (B, L, N)
        omega_z_term_y = torch.matmul(self.omega_y, z.t()).permute(2, 0, 1)
        alpha_y = self.theta_y.unsqueeze(0) + self.beta_y.unsqueeze(0) + omega_z_term_y
        
        # 计算 Rz 等效角
        omega_z_term_z = torch.matmul(self.omega_z, z.t()).permute(2, 0, 1)
        alpha_z = self.theta_z.unsqueeze(0) + self.beta_z.unsqueeze(0) + omega_z_term_z
        
        # 堆叠为 (batch_size, num_sublayers, num_qubits, 2)
        return torch.stack([alpha_y, alpha_z], dim=-1)


def export_to_qiskit_circuit(trained_lm_layer, sample_z, num_scales, num_bond_qubits, L_site):
    """
    Qiskit 一比一无损导出模块：
    将经典训练好的参数对特定 z 生成原生 Qiskit 线路。
    """
    # 计算特定隐变量下的等效旋转角度 (1, L_site, num_total_qubits, 2)
    with torch.no_grad():
        z_tensor = torch.tensor(sample_z, dtype=torch.float32).unsqueeze(0)
        angles = trained_lm_layer(z_tensor).squeeze(0).numpy() # 形状 (L_site, num_qubits, 2)
    
    num_total_qubits = num_bond_qubits + 2 * num_scales
    qc = QuantumCircuit(num_total_qubits)
    
    # 1. 初始状态置备层：全部施加 Ry(pi/2) 使所有比特进入 |+> 态
    for q in range(num_total_qubits):
        qc.ry(np.pi / 2, q)
    
    # 2. 逐局部节点(QTT Core)级联构建电路
    # 物理比特布局：前 nb 个比特为辅助比特 [0, ..., nb-1]
    # 随后的 2*ns 个比特按 Z-order 尺度交错排序： [q_r0, q_c0, q_r1, q_c1, ...]
    for k in range(num_scales):
        # 确定当前局部节点的寄存器索引范围
        bond_indices = list(range(num_bond_qubits))
        physical_indices = [num_bond_qubits + 2*k, num_bond_qubits + 2*k + 1]
        local_register = bond_indices + physical_indices
        
        # 循环应用 L_site 个子层
        for l in range(L_site):
            # A. 施加一比一的单比特角调制融合门 (Ry - Rz 级联)
            for q_idx, q_global in enumerate(local_register):
                theta_y_eff = angles[l, q_global, 0]
                theta_z_eff = angles[l, q_global, 1]
                
                qc.ry(theta_y_eff, q_global)
                qc.rz(theta_z_eff, q_global)
            
            # B. 施加纠缠算子 E_{k, l} (局部 CNOT 级联结构)
            # (i) 辅助键比特之间的线性级联 CNOT
            if num_bond_qubits > 1:
                for b in range(num_bond_qubits - 1):
                    qc.cnot(b, b + 1)
            
            # (ii) 尺度级联：如果 k > 0, 引入尺度尺度间(r_{k-1} -> r_k)和(c_{k-1} -> c_k)纠缠
            if k > 0:
                prev_r = num_bond_qubits + 2*(k-1)
                prev_c = num_bond_qubits + 2*(k-1) + 1
                curr_r = num_bond_qubits + 2*k
                curr_c = num_bond_qubits + 2*k + 1
                qc.cnot(prev_r, curr_r)
                qc.cnot(prev_c, curr_c)
                
            # (iii) 辅助比特向物理比特进行扇出纠缠 (Ancilla to Physical)
            for b in range(num_bond_qubits):
                qc.cnot(b, num_bond_qubits + 2*k)     # CNOT(b -> r_k)
                qc.cnot(b, num_bond_qubits + 2*k + 1) # CNOT(b -> c_k)
                
            # (iv) 同尺度像素内行、列比特纠缠 (r_k -> c_k)
            qc.cnot(num_bond_qubits + 2*k, num_bond_qubits + 2*k + 1)
            
    return qc

3.3 复现步骤指南

想要复现 SQGen 的核心生成结果，可参考以下标准化流程：

1. 克隆开源仓库并配置依赖环境：

   git clone https://github.com/GuangLinRIKEN/SQGen.git
   cd SQGen
   conda create -n sqgen python=3.9
   conda activate sqgen
   pip install -r requirements.txt
   

2. 启动经典训练脚本： 运行以下命令，使用经典 PyTorch 框架在 MNIST 上训练一个物理键秩为 8（包含 3 个辅助比特）的 QTT 生成模型：

   python train.py --dataset mnist --bond_rank 8 --latent_dim 4 --L_site 2 --epochs 30 --batch_size 256 --lr_q 2e-3 --lr_phi 1e-3
   

   注：训练过程中，系统将自动利用可微张量网络进行正向Born分布概率计算，规避了量子线路的数值采样。训练每 5 个 Epoch 都会自动保存模型的权重状态在 checkpoints/ 路径中。
3. 真机导出与仿真推理： 使用提供的导出脚本，调取训练好的 checkpoint 并针对任意测试图像导出对应的 qiskit.QuantumCircuit，在本地利用 Aer 仿真器采样 10000 次，重构对应图像：

   python evaluate.py --checkpoint checkpoints/best_model.pth --sample_index 42 --shots 10000 --save_path results/reconstruction.png
   

4. 真实量子硬件部署： 若要连接 IBM Quantum 真机，请先配置 IBM Token。随后，运行以下部署脚本，将电路提交给真实的超导系统（如 ibm_kawasaki）进行测定：

   python deploy_ibm.py --checkpoint checkpoints/best_model.pth --backend ibm_kawasaki --shots 50000
   

4. 关键引用文献与局限性评论

4.1 核心参考文献演进路线图

SQGen 的成功建立在量子信息学与多体物理计算数十年积淀的基础上。以下为其核心理论演进不可或缺的四篇奠基文献：

1. QTT 架构基础：Khoromskij, B. N. (2011). O(d log N)-quantics approximation of N-d tensors in high-dimensional numerical modeling. Constructive Approximation, 34(2), 257–280.
   • 理论支撑：本文奠定了量子化张量列车（QTT）的数学原理，实证了一维离散序列的多尺度二进对数表示具有极高阶的低秩拟合效率，为 SQGen 的多尺度比特映射提供了终极数学基础。
2. 量子 Born 机原理：Liu, J.-G., & Wang, L. (2018). Differentiable learning of quantum circuit born machines. Physical Review A, 98(6), 062324.
   • 理论支撑：首次将概率生成模型直接与物理比特计算基的测量概率（Born Rule）进行端到端可微绑定，创立了 QCBM 范式，为 SQGen 奠定了概率重构的基础。
3. 数据重上传与阿贝尔群融合起源：Pérez-Salinas, A., Cervera-Lierta, A., Gil-Fuster, E., & Latorre, J. I. (2020). Data re-uploading for a universal quantum classifier. Quantum, 4, 226.
   • 理论支撑：本文提出在同一比特上通过多层叠加注入变量角度来实现通用分类，是 SQGen “角级隐式调制”的最直接学术前身。SQGen 通过阿贝尔融合实现了对其门数减半的物理升级。
4. 贫瘠高原与训练限制：McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). Barren plateaus in quantum neural network training landscapes. Nature communications, 9(1), 4812.
   • 理论支撑：本文阐明了经典 PQC 电路在大深度、宽规模时其梯度方差以指数级缩水为 0 这一致命现象。这坚定了 SQGen 不在量子真机上运行 VQA，而转为全经典可微张量网络反向传播训练的工程设计思想。

4.2 局限性评论与深层学术评议

作为一名在量子物理和计算科学领域深耕多年的研究者，我认为 SQGen 虽然在图像保真度和硬件协同上有非凡的突破，但从最严苛的物理视角审视，依然存在一些技术局限与亟待后续攻关的深水区：

1. CNOT 门数量随键秩提升的指数增长率限制： 尽管 SQGen 的每个幺正节点 $U_k$ 的设计是物理局域化的，但由公式 (16) 决定的 CNOT 总数计算表明：两比特门数目 $O(L_{\text{site}}(3n_b n_s + 2(n_s - 1)))$ 会随着 $n_b = \log_2 \chi$ 呈线性增长，这意味着虽然对 $\chi$ 是对数级别，但对超导硬件来说，当 $\chi$ 稍微大一些（例如 $\chi=16$，配 4 个辅助比特）时，CNOT 门数量会直逼 200 个。在这个规模下，即便超导量子硬件在未来将相干时间提高一倍，CNOT 的累积两比特退相干依然会在部署中造成极大的质量劣化。这限制了 SQGen 走向需要极大键秩（如 $\chi > 64$）的高频振荡复杂图像的表达能力。
2. “量子优越性”在训练阶段的经典妥协： SQGen 能够彻底规避贫瘠高原与真机期望采样的巨大开销，得益于它的“全经典可微梯度训练”。这意味着整个模型的训练是在经典电子计算机上通过张量网络收缩进行的。经典 QTT 强力拟合的复杂度限制在 $\mathcal{O}(n_s \chi^3)$，因此对于低键秩（$\chi \le 16$）图像，这在个人电脑上甚至可以几分钟内完成。然而，一旦面临需要极高纠缠、高键秩大图像时，经典张量收缩会立即遭遇内存墙（Memory Wall）而无法训练。这就构成了一个学术悖论：如果我们在经典上因为 $\chi$ 过大而无法训练它，我们就永远无法将对应的经典训练权重一比一导出到量子真机上，也就无法展现量子真机在大尺度低深度下的采样优势。如何设计一种混合式、能够在量子真机上无阻碍进行无贫瘠高原训练的分布式管线，是本算法后续最具有学术爆发点的突破方向。
3. 缺少非阿贝尔调制拓扑的拓展： 当前的角级隐式调制完全依赖于单轴旋转群 $SO(2)$ 的一维阿贝尔加法运算（一维圆环面）。这使得潜变量只能以非常直接的角度偏置的形式注入。面对更具对称性的量子物理系统，如何利用例如 $SU(2)$ 甚至是更高阶李群的非共轭对称群来融合参数，构建更强大的非线性隐式流形映射，SQGen 的基础数学框架依然需要深层次的群论升级。

5. 学术延展：QTT-Bond 架构在量子化学与多体物理波函数制备中的启示

SQGen 的科学内涵虽然在本文中体现在图像生成，但其底层的“QTT 物理键推广”和“角度隐式调制”两大内核，对**量子化学（Quantum Chemistry）中的多体波函数表示与变分量子特征值求解器（VQE）**具有极强的跨界启示与应用前景。

5.1 从 QTT 到强关联电子波函数的 MPS 映射

在量子化学中，计算分子强关联主动空间（Active Space）的电子波函数 $|\Psi\rangle$ 是一切电子关联能计算的核心。经典的密度矩阵重整化群（DMRG）算法正是利用了**矩阵乘积态（Matrix Product State, MPS）**这一一维一维张量列车拓扑，在经典计算机上实现了对一维分子轨道的强关联电子态搜索：

然而，当这些经典算法被编译（Compile）进超导量子线路以便进行 VQE 时，传统的态制备电路需要经过极深的 unitary decomposition（如 UCC 幺正耦合簇分解），导致线路不可避免地过深。而 SQGen 的物理键推广思路直接指出了一条全新的通道： 我们完全不需要在 PQC 中去模拟虚无的分子轨道，而是可以在量子硬件上分配 $n_b$ 个额外的物理比特专门作为“强关联虚本征轨道键寄存器（Bond Registers）”，并像 SQGen 那样在分子轨道比特与辅助比特间只施加局部化幺正算符。这样，DMRG 或者是 MPS 的低秩性质被直接、固化地写入了量子硬件的物理连通性拓扑中。这种**“物理化张量网络态制备法”**有望将量子化学基态制备电路的深度直接从指数级或高阶多项式级，拉低到与分子轨道数呈线性关联的物理绝对安全区。

5.2 变分量子态制备（VQE State Prep）的角级隐变量优化

在探索过渡金属催化剂等具有复杂化学相图的体系时，分子的哈密顿量 $\hat{H}(\vec{R})$ 往往随着核间距或分子结构几何坐标 $\vec{R}$ 连续发生非线性漂移。常规的变分变参数寻优通常需要对每一个特定几何坐标 $\vec{R}$ 都重新完整运行一遍 VQE 过程，其重复计算开销大得惊人。

SQGen 的“角级隐式调制（LM）”为这一物理计算痛点提供了优雅的破局之策： 我们可以直接将几何构型坐标 $\vec{R}$ 设为隐变量 $z$，让 VQE 的参数门角度也满足：

通过对少数具有代表性的核间距进行小样本可微训练，直接让网络学习出代表核坐标非线性运动趋势的角度乘子 $\vec{\omega}$。一旦该权重通过经典张量网络收缩优化完成，对于相图中的任意连续未知核坐标，量子真机都可以通过单次等效角计算，一秒实现高质量基态波函数的零样本（Zero-shot）直接预测与快速制备。这极具可能成为量子化学 VQE 领域的一个标志性突破口，极大加速催化剂表面反应势能面（PES）的高效扫测。

5.3 跨学科展望：量子多体态在真机上的保真重构

最后，SQGen 在真实的 156 位物理芯片上碾压振幅编码的硬核抗噪表现表明：在 NISQ 乃至容错（FTQC）前夜阶段，我们必须放弃追求形式完美的全局深层纠缠，转向追求拓扑清晰、门数高度精简、误差物理局域化约束的张量网络量子算法。这一物理美学不仅在图像生成中大放异彩，未来在凝聚态物理的量子多体相变扫测、非平衡拓扑物态重构、强物理纠缠熵快速层析成像等前沿阵地，SQGen 所示范的物理键推广机制和阿贝尔恒等角融合体系，都将贡献出其独特而深远的交叉学科理论生命力。