1. 项目概述当量子机器学习遇见可解释AI在量子多体物理和材料科学领域准确识别和分类物质的量子相是一个基础且极具挑战性的问题。传统的相图绘制依赖于精确求解模型哈密顿量或进行大规模数值模拟过程复杂且计算成本高昂。近年来量子机器学习QML的兴起为这一难题提供了新的视角。它试图利用量子计算本身的特性如叠加和纠缠来更高效地处理量子系统数据。然而现实很骨感我们正处在NISQ含噪声中等规模量子时代可用的量子比特数有限且极易出错。直接把成百上千个经典特征比如一个自旋链中所有可能的关联函数一股脑儿编码进量子电路不仅不现实还会引入大量噪声让模型根本学不到东西。这就引出了一个关键问题我们真的需要所有特征吗在经典机器学习中特征选择是提升模型性能、防止过拟合的常规操作。在QML中这更是一个关乎“生死存亡”的步骤——减少一个冗余特征可能就意味着节省一个宝贵的量子比特大幅降低电路的深度和噪声敏感性。那么如何为量子模型选择特征一个直观的想法是借用经典的可解释人工智能XAI工具。SHAPShapley Additive Explanations就是其中的佼佼者它源于博弈论能公平地量化每个特征对模型预测的贡献值。我最近深入实践了一个将SHAP特征选择与QML结合用于对ANNNI轴向次近邻伊辛模型进行量子相分类的项目。这个模型虽然形式简洁却包含了竞争性相互作用和量子涨落能产生丰富的相图包括铁磁相、反相、顺磁相和浮游相是检验新方法的绝佳“试金石”。我们的核心思路很清晰先用一个经典的机器学习模型如支持向量分类器SVC在完整数据集上训练并用SHAP分析出哪些自旋关联特征最重要然后只用这些筛选出的少数关键特征去训练量子机器学习模型包括量子支持向量机QSVM和变分量子分类器VQC。结果令人振奋仅使用5到6个经过SHAP筛选的特征QSVM和VQC在8位点和12位点ANNNI模型上的分类准确率均超过了94%其中QSVM在8位点系统上更是达到了98.46%。这不仅仅是“能用”更是证明了在资源受限的NISQ时代通过精明的特征工程让QML模型“轻装上阵”是走向实用化的一条切实可行的路径。2. 核心思路与方案选型为什么是SHAPQML2.1 问题本质与挑战拆解量子相分类任务本质上是一个在高维参数空间这里是横场强度g和次近邻耦合强度κ中对数据点进行标签划分的模式识别问题。对于ANNNI模型我们通过精确对角化等方法可以计算出系统在不同(g, κ)参数下的基态进而得到一系列观测量如不同格点间的自旋关联函数⟨σ_i^α σ_j^α⟩其中 α x, y, z。对于一个N位点的系统这样的关联函数数量会随着距离增加而组合增长构成我们的特征集。直接挑战在于维度灾难特征数量随系统尺寸增大而快速增长。例如在8位点系统中我们得到了12个特征在12位点系统中则有18个。对于QML每个特征通常需要至少一个量子比特来编码取决于编码方式这直接超出了当前NISQ设备的处理能力。特征冗余与噪声并非所有关联函数都对区分不同量子相有同等贡献。许多特征可能是高度相关的或者包含的更多是噪声而非有效信息。将这些特征全部编码只会增加量子电路的深度和复杂度放大噪声影响降低模型泛化能力。模型解释性黑洞即使一个QML模型取得了高准确率我们往往也难以理解它到底“看”到了什么才做出决策。这对于科学发现至关重要因为我们希望模型不仅能分类还能揭示物理本质。2.2 方案选型SHAP为何成为桥梁面对上述挑战一个自然的思路是进行特征选择。但为什么选择SHAP而不是其他方法如递归特征消除RFE或基于树模型的重要性排序注意这里存在一个关键的“鸡生蛋”问题。理想情况下我们应该用QML模型本身来计算特征重要性。但现实是在NISQ时代训练一个QML模型本身已经计算昂贵再用它去反复评估大量特征子集的贡献在计算上是不可行的。因此我们采用了迂回策略用一个经典的、与目标QML算法思想相近的模型作为“代理”Surrogate Model来进行特征重要性评估。我们选择了经典的支持向量分类器SVC作为这个代理模型。理由如下一致性原则QSVM本质上是SVM的量子核化版本。使用SVC来评估特征重要性其决策边界与QSVM试图寻找的边界在概念上是兼容的。这样筛选出的特征更有可能对QSVM也是重要的。SHAP的适配性SHAP基于博弈论的Shapley值为每个特征分配一个贡献值。这个值具有坚实的数学基础满足局部准确性、缺失性和一致性三大性质能提供更公平、更稳定的特征重要性评估优于简单的权重系数或信息增益。计算可行性在经典计算机上训练SVC并计算SHAP值其计算成本远低于在量子模拟器或真机上反复训练QML模型。这使大规模特征筛选成为可能。因此我们的技术路线确定为经典SVC SHAP 进行特征筛选 - 将筛选后的特征子集 - 输入到QSVM和VQC中进行训练与评估。对于VQC而言虽然它没有直接的经典“孪生”模型但SVC筛选出的、对线性/非线性分离关键的特征很可能对VQC的量子特征映射和变分优化也有益。2.3 量子算法选型QSVM与VQC的权衡我们选择了两种主流的QML算法进行对比量子支持向量机QSVM核心思想量子核方法。利用量子电路特征映射将经典数据映射到高维的希尔伯特空间在该空间中计算数据点之间的内积即量子核。这个核函数被输入到经典的SVM优化例程中求解。优势训练过程的主体核矩阵计算是量子的但优化本身是经典的继承了SVM理论上的最大间隔保证和泛化性能。对于中小规模、特征明确的问题往往能快速收敛到不错的效果。劣势量子核矩阵的计算成本随数据量平方增长不适合超大训练集。且核函数的设计即特征映射的选择对性能影响巨大。变分量子分类器VQC核心思想变分量子算法。将经典数据通过特征映射编码为量子态然后经过一个参数化的量子电路Ansatz进行处理最后测量得到预测结果。通过经典优化器不断调整电路参数以最小化损失函数如交叉熵。优势电路结构灵活Ansatz设计可以引入问题相关的先验知识。更适合端到端的学习理论上具有更强的表达能力。劣势训练过程涉及量子-经典混合优化容易陷入局部最优或出现 barren plateau梯度消失问题。训练通常比QSVM更不稳定需要更仔细的超参数调优。在这个项目中同时使用两者可以形成一个有益的对照QSVM代表了基于核的、相对稳健的方法VQC代表了基于变分电路的、更灵活但也更难训练的方法。通过对比它们在相同特征子集上的表现我们可以更全面地评估SHAP特征选择方案的有效。3. 实操全流程解析从数据到部署3.1 数据生成与特征工程一切始于数据。我们针对一维周期边界条件的ANNNI模型通过精确对角化对于8、12位点这样的小系统是可行的计算其基态。参数空间采样在g和κ的参数范围[0, 1]内以步长0.01进行网格采样共生成10,000个数据点(g, κ)。特征计算对于每个(g, κ)点计算其基态然后计算所有非冗余的两点关联函数。具体来说固定参考格点i1计算它与j2到jN/21之间所有格点的⟨σ_1^x σ_j^x⟩,⟨σ_1^y σ_j^y⟩,⟨σ_1^z σ_j^z⟩。对于8位点系统这给出3 * (8/2) 12个特征对于12位点则是3 * (12/2) 18个特征。这种计算方式避免了重复因为更远距离的关联可以通过对称性得到。标签生成根据已知的ANNNI模型相图理论边界公式2和3为每个(g, κ)数据点分配一个相位标签铁磁相FM、反相AP、顺磁相PM或浮游相FP。这是监督学习的基础。实操心得数据生成的精度至关重要。基态计算中的数值误差会直接传递到特征中成为噪声。对于更大的系统可能需要使用密度矩阵重整化群DMRG等近似方法此时需要平衡计算精度与成本。此外在相边界附近可以适当增加采样密度以帮助模型更好地学习这些关键的决策区域。3.2 SHAP特征选择实战有了完整的带标签数据集(X, y)我们开始特征筛选。数据预处理将数据按7:3划分为训练集和测试集。对所有特征进行最小-最大归一化将值缩放到[0, 1]区间。这一步必须在划分后进行用训练集的min和max来缩放训练集和测试集避免数据泄露。# 伪代码示例 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 注意这里是transform不是fit_transform训练代理模型在归一化的训练集上训练一个经典的SVC模型。我们通常使用RBF核并通过网格搜索优化其正则化参数C和核系数gamma。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV svc SVC(kernelrbf, probabilityTrue) # 需要probabilityTrue用于某些SHAP解释器 param_grid {C: [0.1, 1, 10], gamma: [0.01, 0.1, 1]} grid_search GridSearchCV(svc, param_grid, cv5) grid_search.fit(X_train_scaled, y_train) best_svc grid_search.best_estimator_计算SHAP值使用shap库计算每个特征对SVC预测的Shapley值。对于像SVC这样的模型通常使用KernelExplainer尽管计算量稍大但通用性更好。我们可以在一个代表性的数据子集如训练集的100个样本上计算以节省时间。import shap # 选取背景数据集用于简化计算 background shap.sample(X_train_scaled, 100) explainer shap.KernelExplainer(best_svc.predict_proba, background) # 计算训练集所有样本的SHAP值 shap_values explainer.shap_values(X_train_scaled) # shap_values 是一个列表每个元素对应一个类别的SHAP值矩阵特征重要性排序通常我们取所有样本、所有类别上某个特征SHAP值的绝对值的均值作为该特征的全局重要性得分。# 计算全局特征重要性以类别0为例 shap_importance np.abs(shap_values[0]).mean(axis0) feature_importance_df pd.DataFrame({ feature: feature_names, importance: shap_importance }).sort_values(importance, ascendingFalse)分析生成的SHAP摘要图如图12所示我们可以清晰地看到哪些特征如⟨σ_1^z σ_4^z⟩,⟨σ_1^z σ_3^z⟩的SHAP值分布远离零且与高/低特征值有明确的单调关系这些就是驱动模型决策的关键特征。特征子集选择根据重要性排序我们选择Top K个特征实验中K5或6。这个K的选择可以作为一个超参数通过观察不同K值下代理模型SVC的验证集性能变化来辅助确定通常会在性能平台区选择一个较小的K。3.3 量子模型构建与训练使用筛选出的K个特征我们重新准备数据集并进行同样的归一化。然后分别构建QSVM和VQC。对于QSVM特征映射我们选择ZFeatureMap它将每个经典特征值编码为单个量子比特绕Z轴的旋转角度。设置repetitions3以增加非线性表达能力。from qiskit_machine_learning.circuit.library import ZFeatureMap feature_map ZFeatureMap(feature_dimensionK, reps3)量子核使用FidelityStatevectorKernel。它通过计算两个量子态由特征映射生成之间的保真度内积的平方来定义核函数。from qiskit_machine_learning.kernels import FidelityStatevectorKernel kernel FidelityStatevectorKernel(feature_mapfeature_map)训练将计算好的量子核矩阵训练集样本之间的保真度输入到经典的SVC求解器中进行训练。这里使用的是QSVC封装类。from qiskit_machine_learning.algorithms import QSVC qsvc QSVC(quantum_kernelkernel) qsvc.fit(X_train_selected_scaled, y_train)对于VQC特征映射与QSVM使用相同的ZFeatureMap。变分电路Ansatz我们选择EfficientSU2作为Ansatz它由单比特旋转层和纠缠层交替构成能有效探索希尔伯特空间。设置reps5以提供足够的表达能力。from qiskit.circuit.library import EfficientSU2 ansatz EfficientSU2(num_qubitsK, reps5, entanglementlinear)优化器选择SPSA同时扰动随机逼近优化器。这是一种在噪声环境下表现鲁棒的优化器非常适合量子硬件或噪声模拟。from qiskit.algorithms.optimizers import SPSA optimizer SPSA(maxiter100)训练构建完整的VQC使用交叉熵损失并进行训练。每次迭代需要运行量子电路设置shots600来估计期望值以获得梯度信息然后由经典优化器更新参数。from qiskit_machine_learning.algorithms import VQC vqc VQC(feature_mapfeature_map, ansatzansatz, optimizeroptimizer, losscross_entropy) vqc.fit(X_train_selected_scaled, y_train)踩坑记录VQC的训练比QSVM不稳定得多。SPSA的初始学习率 (learning_rate) 和扰动幅度 (perturbation) 设置非常关键。一开始我用默认参数损失函数震荡得很厉害。后来根据经验将learning_rate调小并增加了maxiter同时使用了回调函数来监控损失才使训练平稳下来。另一个要点是ZFeatureMap和EfficientSU2的堆叠可能会导致初始参数下的梯度消失Barren Plateau。虽然在这个小规模问题上不明显但对于更大问题需要考虑使用硬件高效的Ansatz或进行参数初始化策略。3.4 结果分析与可视训练完成后在测试集上评估模型性能。准确率评估如表I所示计算分类准确率。可以看到即使只用5个特征两个量子模型都取得了优异的表现。相图可视化为了更直观地理解模型的分类行为我们在整个(g, κ)参数空间上进行密集预测并将预测结果绘制成相图与理论相图进行对比如图3所示。这不仅能看准确率还能看模型是否抓住了相变的边界。优点模型成功地将大部分区域正确分类。不足在相边界附近尤其是浮游相与顺磁相的边界BKT转变模型会出现一些模糊或错误分类的点。这是因为在这些临界区域关联长度发散有限尺寸效应显著特征本身的变化就很微妙分类难度天然更大。关键洞察σ^z 关联的主导性SHAP分析一致地显示沿z方向的自旋-自旋关联如⟨σ_1^z σ_4^z⟩是最重要的特征。这完全符合物理直觉因为ANNNI模型中的序参量主要与z方向的磁化有关。QSVM的稳健性在本任务中QSVM的表现略优于VQC。这可能是因为量子核方法更适合于当前这种特征维度低、且经过精心筛选的数据集。VQC的表达能力可能过强在有限数据下更容易受到噪声影响。“少即是多”使用全部12或18个特征时QSVM和VQC的准确率反而有所下降未在表中显示。这清晰地证明了特征选择不仅减少了资源消耗还起到了去噪、提升模型泛化能力的作用。4. 关键环节深度剖析特征映射与可解释性4.1 ZFeatureMap的编码哲学与局限我们选择了ZFeatureMap其核心是应用受控的Pauli-Z旋转U_Φ(x) exp(i * Σ_k 2x[k] σ_z^k)。这本质上是一种角度编码将每个经典特征值x[k]映射到第k个量子比特的绕Z轴旋转角度上。优势简单高效仅涉及单量子比特门电路深度浅在NISQ设备上易于实现且受噪声影响小。可解释性编码后的量子态是计算基态的叠加其振幅与经典特征值有直接的三角函数关系。例如对于一个特征值x编码后的状态是cos(x)|0⟩ sin(x)|1⟩经过H门后。这在一定程度上保留了经典特征的几何意义。通过重复引入非线性通过设置repetitions 1并穿插哈达玛门实际上构建了一个重复的数据编码块[U_Φ(x) H^⊗n]^p。这引入了特征之间的纠缠通过哈达玛门混合和非线性变换多次重复增强了模型的表达能力使其能够学习更复杂的决策边界。局限与替代方案信息容量角度编码可能无法最有效地利用希尔伯特空间的指数级容量。对于某些问题振幅编码将经典向量直接映射为量子态振幅或更复杂的纠缠特征映射如ZZFeatureMap可能更强大。任务相关性ZFeatureMap并非万能。对于某些以x或y方向关联为主导的物理问题使用XFeatureMap或YFeatureMap或者它们的组合如PauliFeatureMap可能更合适。特征映射的选择应基于对问题物理本质的先验理解。个人建议在项目开始阶段可以从ZFeatureMap或PauliFeatureMap这类标准映射入手。如果性能不佳再考虑设计问题特定的特征映射。例如对于ANNNI模型既然知道σ^z关联最重要可以尝试设计一个优先编码这些关联的特征映射。4.2 SHAP在量子时代的局限与未来本项目采用“经典代理模型SHAP”的模式是NISQ时代的务实之选但也暴露了当前量子可解释性工具的缺失。根本矛盾我们最终关心的是量子模型QSVM/VQC的决策依据但却用经典模型SVC的“大脑”来做特征重要性分析。这存在一个解释性迁移的鸿沟。SVC认为重要的特征对VQC就一定最重要吗未必。两者的内部表示和决策机制完全不同。量子SHAP的挑战直接为量子模型计算Shapley值理论上可行但实践上灾难性的。计算一个特征的Shapley值需要评估该特征在所有可能子集下的模型表现。对于量子模型每一次评估都意味着重新准备量子态、运行电路、进行测量计算成本是经典模型的指数倍以上。未来的方向开发原生量子可解释性工具研究适用于量子模型的、低计算成本的归因方法。例如基于参数移位定理的梯度分析或者测量量子电路中特定量子比特/门对输出的影响。基于电路结构的解释分析Ansatz中哪些纠缠门或旋转门被激活从而反推哪些特征组合被模型所利用。经典-量子混合解释框架也许可以训练一个经典的“解释模型”它不直接模仿量子模型的输入-输出映射而是模仿其在特征子空间上的行为变化从而以更低的成本近似量子模型的Shapley值。5. 常见问题、避坑指南与扩展思考5.1 实操中遇到的典型问题与解决方案问题现象可能原因排查步骤与解决方案SHAP计算速度极慢1. 使用了全量训练集计算。2. 代理模型如SVC with RBF核预测函数本身较慢。1.使用背景样本集从训练集中均匀采样100-500个样本作为背景数据集大幅提升KernelExplainer速度。2.换用TreeExplainer如果代理模型是树模型如随机森林、XGBoost使用TreeExplainer速度极快。3.简化模型在特征选择阶段可以使用线性SVC或逻辑回归作为更快的代理模型虽然解释性可能略有差异但特征重要性排序通常稳定。VQC训练不收敛或震荡剧烈1. 优化器学习率设置不当。2. 陷入局部最优或Barren Plateau。3. 测量次数shots太少梯度估计噪声大。1.调整优化器对于SPSA尝试减小learning_rate增加perturbation。也可以尝试换用COBYLA或NFT等无梯度优化器。2.参数初始化不要使用全零或随机初始化。尝试使用TwoLocal或EfficientSU2的initial_point参数将其设置为小的随机数或者使用经典神经网络预训练得到的参数进行迁移。3.增加shots在训练初期可以适当增加shots如1024以获得更稳定的梯度估计后期再减少以加快速度。4.简化Ansatz减少reps层数或使用纠缠程度更低的模式如pairwise替代full。QSVM核矩阵计算内存溢出训练集样本数N太大核矩阵大小为 N×N。1.减少训练集规模在保证性能的前提下对训练集进行下采样。2.使用量子硬件或高效模拟器对于真机或某些模拟器核是即时计算的不存储完整矩阵。但训练速度会受影响。3.考虑基于子空间的QSVM变体研究使用量子特征提取后接经典SVM的方法。模型在测试集上准确率高但相图边界模糊1. 相边界附近数据点稀疏。2. 模型复杂度不够无法捕捉临界区域的微妙变化。3. 有限尺寸效应导致边界本身在数值上就不锐利。1.边界过采样在生成数据时在理论相边界附近如g在1附近κ在0.5附近增加采样密度。2.调整特征映射增加ZFeatureMap的repetitions或尝试更复杂的映射如ZZFeatureMap以增强非线性拟合能力。3.接受物理限制对于BKT转变等连续相变序参量在热力学极限下才发生突变。对于有限系统边界模糊是物理事实模型反映这一点反而是正确的。5.2 项目扩展与优化方向面向真实量子硬件当前实验多在模拟器上进行。迁移到真实硬件需考虑噪声适应选择对噪声鲁棒的Ansatz如硬件高效Ansatz或使用量子误差缓解技术。编译优化将ZFeatureMap和EfficientSU2编译到特定硬件的原生门集上并考虑量子比特的连通性通过交换门引入额外开销。脉冲级控制对于高端应用可以考虑使用脉冲级的特征映射实现更高效的编码。探索更复杂的模型与特征更大的系统尝试16或20位点的ANNNI模型特征数量更多相图更复杂对特征选择的要求更高。其他量子模型将方法应用到Hubbard模型、拓扑系统等检验其普适性。高阶关联特征除了两点关联引入三点或四点关联函数作为特征看看SHAP是否会筛选出它们或许能揭示更深刻的物理。自动化与流程化将整个流程数据生成-经典特征选择-量子模型训练-评估可视化封装成自动化管道方便对不同模型、不同参数进行批量测试和比较。这个项目让我深刻体会到在量子计算实用化的道路上“量子优势”并非凭空而来它严重依赖于精巧的经典-量子协同设计。SHAP特征选择在这里扮演了“预处理过滤器”和“物理洞察放大器”的双重角色。它不仅仅是一个工程上的技巧更通过量化的方式印证和强化了我们对物理系统ANNNI模型中σ^z关联的重要性的直觉理解。这种可解释性与高性能的结合正是科学计算中最令人着迷的地方。未来随着原生量子可解释性工具的发展我们有望更直接地“窥视”量子模型的黑箱那将会开启一个量子机器学习驱动科学发现的新阶段。
SHAP特征选择赋能量子机器学习，高效解决量子相分类难题
发布时间：2026/5/25 4:14:27
1. 项目概述当量子机器学习遇见可解释AI在量子多体物理和材料科学领域准确识别和分类物质的量子相是一个基础且极具挑战性的问题。传统的相图绘制依赖于精确求解模型哈密顿量或进行大规模数值模拟过程复杂且计算成本高昂。近年来量子机器学习QML的兴起为这一难题提供了新的视角。它试图利用量子计算本身的特性如叠加和纠缠来更高效地处理量子系统数据。然而现实很骨感我们正处在NISQ含噪声中等规模量子时代可用的量子比特数有限且极易出错。直接把成百上千个经典特征比如一个自旋链中所有可能的关联函数一股脑儿编码进量子电路不仅不现实还会引入大量噪声让模型根本学不到东西。这就引出了一个关键问题我们真的需要所有特征吗在经典机器学习中特征选择是提升模型性能、防止过拟合的常规操作。在QML中这更是一个关乎“生死存亡”的步骤——减少一个冗余特征可能就意味着节省一个宝贵的量子比特大幅降低电路的深度和噪声敏感性。那么如何为量子模型选择特征一个直观的想法是借用经典的可解释人工智能XAI工具。SHAPShapley Additive Explanations就是其中的佼佼者它源于博弈论能公平地量化每个特征对模型预测的贡献值。我最近深入实践了一个将SHAP特征选择与QML结合用于对ANNNI轴向次近邻伊辛模型进行量子相分类的项目。这个模型虽然形式简洁却包含了竞争性相互作用和量子涨落能产生丰富的相图包括铁磁相、反相、顺磁相和浮游相是检验新方法的绝佳“试金石”。我们的核心思路很清晰先用一个经典的机器学习模型如支持向量分类器SVC在完整数据集上训练并用SHAP分析出哪些自旋关联特征最重要然后只用这些筛选出的少数关键特征去训练量子机器学习模型包括量子支持向量机QSVM和变分量子分类器VQC。结果令人振奋仅使用5到6个经过SHAP筛选的特征QSVM和VQC在8位点和12位点ANNNI模型上的分类准确率均超过了94%其中QSVM在8位点系统上更是达到了98.46%。这不仅仅是“能用”更是证明了在资源受限的NISQ时代通过精明的特征工程让QML模型“轻装上阵”是走向实用化的一条切实可行的路径。2. 核心思路与方案选型为什么是SHAPQML2.1 问题本质与挑战拆解量子相分类任务本质上是一个在高维参数空间这里是横场强度g和次近邻耦合强度κ中对数据点进行标签划分的模式识别问题。对于ANNNI模型我们通过精确对角化等方法可以计算出系统在不同(g, κ)参数下的基态进而得到一系列观测量如不同格点间的自旋关联函数⟨σ_i^α σ_j^α⟩其中 α x, y, z。对于一个N位点的系统这样的关联函数数量会随着距离增加而组合增长构成我们的特征集。直接挑战在于维度灾难特征数量随系统尺寸增大而快速增长。例如在8位点系统中我们得到了12个特征在12位点系统中则有18个。对于QML每个特征通常需要至少一个量子比特来编码取决于编码方式这直接超出了当前NISQ设备的处理能力。特征冗余与噪声并非所有关联函数都对区分不同量子相有同等贡献。许多特征可能是高度相关的或者包含的更多是噪声而非有效信息。将这些特征全部编码只会增加量子电路的深度和复杂度放大噪声影响降低模型泛化能力。模型解释性黑洞即使一个QML模型取得了高准确率我们往往也难以理解它到底“看”到了什么才做出决策。这对于科学发现至关重要因为我们希望模型不仅能分类还能揭示物理本质。2.2 方案选型SHAP为何成为桥梁面对上述挑战一个自然的思路是进行特征选择。但为什么选择SHAP而不是其他方法如递归特征消除RFE或基于树模型的重要性排序注意这里存在一个关键的“鸡生蛋”问题。理想情况下我们应该用QML模型本身来计算特征重要性。但现实是在NISQ时代训练一个QML模型本身已经计算昂贵再用它去反复评估大量特征子集的贡献在计算上是不可行的。因此我们采用了迂回策略用一个经典的、与目标QML算法思想相近的模型作为“代理”Surrogate Model来进行特征重要性评估。我们选择了经典的支持向量分类器SVC作为这个代理模型。理由如下一致性原则QSVM本质上是SVM的量子核化版本。使用SVC来评估特征重要性其决策边界与QSVM试图寻找的边界在概念上是兼容的。这样筛选出的特征更有可能对QSVM也是重要的。SHAP的适配性SHAP基于博弈论的Shapley值为每个特征分配一个贡献值。这个值具有坚实的数学基础满足局部准确性、缺失性和一致性三大性质能提供更公平、更稳定的特征重要性评估优于简单的权重系数或信息增益。计算可行性在经典计算机上训练SVC并计算SHAP值其计算成本远低于在量子模拟器或真机上反复训练QML模型。这使大规模特征筛选成为可能。因此我们的技术路线确定为经典SVC SHAP 进行特征筛选 - 将筛选后的特征子集 - 输入到QSVM和VQC中进行训练与评估。对于VQC而言虽然它没有直接的经典“孪生”模型但SVC筛选出的、对线性/非线性分离关键的特征很可能对VQC的量子特征映射和变分优化也有益。2.3 量子算法选型QSVM与VQC的权衡我们选择了两种主流的QML算法进行对比量子支持向量机QSVM核心思想量子核方法。利用量子电路特征映射将经典数据映射到高维的希尔伯特空间在该空间中计算数据点之间的内积即量子核。这个核函数被输入到经典的SVM优化例程中求解。优势训练过程的主体核矩阵计算是量子的但优化本身是经典的继承了SVM理论上的最大间隔保证和泛化性能。对于中小规模、特征明确的问题往往能快速收敛到不错的效果。劣势量子核矩阵的计算成本随数据量平方增长不适合超大训练集。且核函数的设计即特征映射的选择对性能影响巨大。变分量子分类器VQC核心思想变分量子算法。将经典数据通过特征映射编码为量子态然后经过一个参数化的量子电路Ansatz进行处理最后测量得到预测结果。通过经典优化器不断调整电路参数以最小化损失函数如交叉熵。优势电路结构灵活Ansatz设计可以引入问题相关的先验知识。更适合端到端的学习理论上具有更强的表达能力。劣势训练过程涉及量子-经典混合优化容易陷入局部最优或出现 barren plateau梯度消失问题。训练通常比QSVM更不稳定需要更仔细的超参数调优。在这个项目中同时使用两者可以形成一个有益的对照QSVM代表了基于核的、相对稳健的方法VQC代表了基于变分电路的、更灵活但也更难训练的方法。通过对比它们在相同特征子集上的表现我们可以更全面地评估SHAP特征选择方案的有效。3. 实操全流程解析从数据到部署3.1 数据生成与特征工程一切始于数据。我们针对一维周期边界条件的ANNNI模型通过精确对角化对于8、12位点这样的小系统是可行的计算其基态。参数空间采样在g和κ的参数范围[0, 1]内以步长0.01进行网格采样共生成10,000个数据点(g, κ)。特征计算对于每个(g, κ)点计算其基态然后计算所有非冗余的两点关联函数。具体来说固定参考格点i1计算它与j2到jN/21之间所有格点的⟨σ_1^x σ_j^x⟩,⟨σ_1^y σ_j^y⟩,⟨σ_1^z σ_j^z⟩。对于8位点系统这给出3 * (8/2) 12个特征对于12位点则是3 * (12/2) 18个特征。这种计算方式避免了重复因为更远距离的关联可以通过对称性得到。标签生成根据已知的ANNNI模型相图理论边界公式2和3为每个(g, κ)数据点分配一个相位标签铁磁相FM、反相AP、顺磁相PM或浮游相FP。这是监督学习的基础。实操心得数据生成的精度至关重要。基态计算中的数值误差会直接传递到特征中成为噪声。对于更大的系统可能需要使用密度矩阵重整化群DMRG等近似方法此时需要平衡计算精度与成本。此外在相边界附近可以适当增加采样密度以帮助模型更好地学习这些关键的决策区域。3.2 SHAP特征选择实战有了完整的带标签数据集(X, y)我们开始特征筛选。数据预处理将数据按7:3划分为训练集和测试集。对所有特征进行最小-最大归一化将值缩放到[0, 1]区间。这一步必须在划分后进行用训练集的min和max来缩放训练集和测试集避免数据泄露。# 伪代码示例 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 注意这里是transform不是fit_transform训练代理模型在归一化的训练集上训练一个经典的SVC模型。我们通常使用RBF核并通过网格搜索优化其正则化参数C和核系数gamma。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV svc SVC(kernelrbf, probabilityTrue) # 需要probabilityTrue用于某些SHAP解释器 param_grid {C: [0.1, 1, 10], gamma: [0.01, 0.1, 1]} grid_search GridSearchCV(svc, param_grid, cv5) grid_search.fit(X_train_scaled, y_train) best_svc grid_search.best_estimator_计算SHAP值使用shap库计算每个特征对SVC预测的Shapley值。对于像SVC这样的模型通常使用KernelExplainer尽管计算量稍大但通用性更好。我们可以在一个代表性的数据子集如训练集的100个样本上计算以节省时间。import shap # 选取背景数据集用于简化计算 background shap.sample(X_train_scaled, 100) explainer shap.KernelExplainer(best_svc.predict_proba, background) # 计算训练集所有样本的SHAP值 shap_values explainer.shap_values(X_train_scaled) # shap_values 是一个列表每个元素对应一个类别的SHAP值矩阵特征重要性排序通常我们取所有样本、所有类别上某个特征SHAP值的绝对值的均值作为该特征的全局重要性得分。# 计算全局特征重要性以类别0为例 shap_importance np.abs(shap_values[0]).mean(axis0) feature_importance_df pd.DataFrame({ feature: feature_names, importance: shap_importance }).sort_values(importance, ascendingFalse)分析生成的SHAP摘要图如图12所示我们可以清晰地看到哪些特征如⟨σ_1^z σ_4^z⟩,⟨σ_1^z σ_3^z⟩的SHAP值分布远离零且与高/低特征值有明确的单调关系这些就是驱动模型决策的关键特征。特征子集选择根据重要性排序我们选择Top K个特征实验中K5或6。这个K的选择可以作为一个超参数通过观察不同K值下代理模型SVC的验证集性能变化来辅助确定通常会在性能平台区选择一个较小的K。3.3 量子模型构建与训练使用筛选出的K个特征我们重新准备数据集并进行同样的归一化。然后分别构建QSVM和VQC。对于QSVM特征映射我们选择ZFeatureMap它将每个经典特征值编码为单个量子比特绕Z轴的旋转角度。设置repetitions3以增加非线性表达能力。from qiskit_machine_learning.circuit.library import ZFeatureMap feature_map ZFeatureMap(feature_dimensionK, reps3)量子核使用FidelityStatevectorKernel。它通过计算两个量子态由特征映射生成之间的保真度内积的平方来定义核函数。from qiskit_machine_learning.kernels import FidelityStatevectorKernel kernel FidelityStatevectorKernel(feature_mapfeature_map)训练将计算好的量子核矩阵训练集样本之间的保真度输入到经典的SVC求解器中进行训练。这里使用的是QSVC封装类。from qiskit_machine_learning.algorithms import QSVC qsvc QSVC(quantum_kernelkernel) qsvc.fit(X_train_selected_scaled, y_train)对于VQC特征映射与QSVM使用相同的ZFeatureMap。变分电路Ansatz我们选择EfficientSU2作为Ansatz它由单比特旋转层和纠缠层交替构成能有效探索希尔伯特空间。设置reps5以提供足够的表达能力。from qiskit.circuit.library import EfficientSU2 ansatz EfficientSU2(num_qubitsK, reps5, entanglementlinear)优化器选择SPSA同时扰动随机逼近优化器。这是一种在噪声环境下表现鲁棒的优化器非常适合量子硬件或噪声模拟。from qiskit.algorithms.optimizers import SPSA optimizer SPSA(maxiter100)训练构建完整的VQC使用交叉熵损失并进行训练。每次迭代需要运行量子电路设置shots600来估计期望值以获得梯度信息然后由经典优化器更新参数。from qiskit_machine_learning.algorithms import VQC vqc VQC(feature_mapfeature_map, ansatzansatz, optimizeroptimizer, losscross_entropy) vqc.fit(X_train_selected_scaled, y_train)踩坑记录VQC的训练比QSVM不稳定得多。SPSA的初始学习率 (learning_rate) 和扰动幅度 (perturbation) 设置非常关键。一开始我用默认参数损失函数震荡得很厉害。后来根据经验将learning_rate调小并增加了maxiter同时使用了回调函数来监控损失才使训练平稳下来。另一个要点是ZFeatureMap和EfficientSU2的堆叠可能会导致初始参数下的梯度消失Barren Plateau。虽然在这个小规模问题上不明显但对于更大问题需要考虑使用硬件高效的Ansatz或进行参数初始化策略。3.4 结果分析与可视训练完成后在测试集上评估模型性能。准确率评估如表I所示计算分类准确率。可以看到即使只用5个特征两个量子模型都取得了优异的表现。相图可视化为了更直观地理解模型的分类行为我们在整个(g, κ)参数空间上进行密集预测并将预测结果绘制成相图与理论相图进行对比如图3所示。这不仅能看准确率还能看模型是否抓住了相变的边界。优点模型成功地将大部分区域正确分类。不足在相边界附近尤其是浮游相与顺磁相的边界BKT转变模型会出现一些模糊或错误分类的点。这是因为在这些临界区域关联长度发散有限尺寸效应显著特征本身的变化就很微妙分类难度天然更大。关键洞察σ^z 关联的主导性SHAP分析一致地显示沿z方向的自旋-自旋关联如⟨σ_1^z σ_4^z⟩是最重要的特征。这完全符合物理直觉因为ANNNI模型中的序参量主要与z方向的磁化有关。QSVM的稳健性在本任务中QSVM的表现略优于VQC。这可能是因为量子核方法更适合于当前这种特征维度低、且经过精心筛选的数据集。VQC的表达能力可能过强在有限数据下更容易受到噪声影响。“少即是多”使用全部12或18个特征时QSVM和VQC的准确率反而有所下降未在表中显示。这清晰地证明了特征选择不仅减少了资源消耗还起到了去噪、提升模型泛化能力的作用。4. 关键环节深度剖析特征映射与可解释性4.1 ZFeatureMap的编码哲学与局限我们选择了ZFeatureMap其核心是应用受控的Pauli-Z旋转U_Φ(x) exp(i * Σ_k 2x[k] σ_z^k)。这本质上是一种角度编码将每个经典特征值x[k]映射到第k个量子比特的绕Z轴旋转角度上。优势简单高效仅涉及单量子比特门电路深度浅在NISQ设备上易于实现且受噪声影响小。可解释性编码后的量子态是计算基态的叠加其振幅与经典特征值有直接的三角函数关系。例如对于一个特征值x编码后的状态是cos(x)|0⟩ sin(x)|1⟩经过H门后。这在一定程度上保留了经典特征的几何意义。通过重复引入非线性通过设置repetitions 1并穿插哈达玛门实际上构建了一个重复的数据编码块[U_Φ(x) H^⊗n]^p。这引入了特征之间的纠缠通过哈达玛门混合和非线性变换多次重复增强了模型的表达能力使其能够学习更复杂的决策边界。局限与替代方案信息容量角度编码可能无法最有效地利用希尔伯特空间的指数级容量。对于某些问题振幅编码将经典向量直接映射为量子态振幅或更复杂的纠缠特征映射如ZZFeatureMap可能更强大。任务相关性ZFeatureMap并非万能。对于某些以x或y方向关联为主导的物理问题使用XFeatureMap或YFeatureMap或者它们的组合如PauliFeatureMap可能更合适。特征映射的选择应基于对问题物理本质的先验理解。个人建议在项目开始阶段可以从ZFeatureMap或PauliFeatureMap这类标准映射入手。如果性能不佳再考虑设计问题特定的特征映射。例如对于ANNNI模型既然知道σ^z关联最重要可以尝试设计一个优先编码这些关联的特征映射。4.2 SHAP在量子时代的局限与未来本项目采用“经典代理模型SHAP”的模式是NISQ时代的务实之选但也暴露了当前量子可解释性工具的缺失。根本矛盾我们最终关心的是量子模型QSVM/VQC的决策依据但却用经典模型SVC的“大脑”来做特征重要性分析。这存在一个解释性迁移的鸿沟。SVC认为重要的特征对VQC就一定最重要吗未必。两者的内部表示和决策机制完全不同。量子SHAP的挑战直接为量子模型计算Shapley值理论上可行但实践上灾难性的。计算一个特征的Shapley值需要评估该特征在所有可能子集下的模型表现。对于量子模型每一次评估都意味着重新准备量子态、运行电路、进行测量计算成本是经典模型的指数倍以上。未来的方向开发原生量子可解释性工具研究适用于量子模型的、低计算成本的归因方法。例如基于参数移位定理的梯度分析或者测量量子电路中特定量子比特/门对输出的影响。基于电路结构的解释分析Ansatz中哪些纠缠门或旋转门被激活从而反推哪些特征组合被模型所利用。经典-量子混合解释框架也许可以训练一个经典的“解释模型”它不直接模仿量子模型的输入-输出映射而是模仿其在特征子空间上的行为变化从而以更低的成本近似量子模型的Shapley值。5. 常见问题、避坑指南与扩展思考5.1 实操中遇到的典型问题与解决方案问题现象可能原因排查步骤与解决方案SHAP计算速度极慢1. 使用了全量训练集计算。2. 代理模型如SVC with RBF核预测函数本身较慢。1.使用背景样本集从训练集中均匀采样100-500个样本作为背景数据集大幅提升KernelExplainer速度。2.换用TreeExplainer如果代理模型是树模型如随机森林、XGBoost使用TreeExplainer速度极快。3.简化模型在特征选择阶段可以使用线性SVC或逻辑回归作为更快的代理模型虽然解释性可能略有差异但特征重要性排序通常稳定。VQC训练不收敛或震荡剧烈1. 优化器学习率设置不当。2. 陷入局部最优或Barren Plateau。3. 测量次数shots太少梯度估计噪声大。1.调整优化器对于SPSA尝试减小learning_rate增加perturbation。也可以尝试换用COBYLA或NFT等无梯度优化器。2.参数初始化不要使用全零或随机初始化。尝试使用TwoLocal或EfficientSU2的initial_point参数将其设置为小的随机数或者使用经典神经网络预训练得到的参数进行迁移。3.增加shots在训练初期可以适当增加shots如1024以获得更稳定的梯度估计后期再减少以加快速度。4.简化Ansatz减少reps层数或使用纠缠程度更低的模式如pairwise替代full。QSVM核矩阵计算内存溢出训练集样本数N太大核矩阵大小为 N×N。1.减少训练集规模在保证性能的前提下对训练集进行下采样。2.使用量子硬件或高效模拟器对于真机或某些模拟器核是即时计算的不存储完整矩阵。但训练速度会受影响。3.考虑基于子空间的QSVM变体研究使用量子特征提取后接经典SVM的方法。模型在测试集上准确率高但相图边界模糊1. 相边界附近数据点稀疏。2. 模型复杂度不够无法捕捉临界区域的微妙变化。3. 有限尺寸效应导致边界本身在数值上就不锐利。1.边界过采样在生成数据时在理论相边界附近如g在1附近κ在0.5附近增加采样密度。2.调整特征映射增加ZFeatureMap的repetitions或尝试更复杂的映射如ZZFeatureMap以增强非线性拟合能力。3.接受物理限制对于BKT转变等连续相变序参量在热力学极限下才发生突变。对于有限系统边界模糊是物理事实模型反映这一点反而是正确的。5.2 项目扩展与优化方向面向真实量子硬件当前实验多在模拟器上进行。迁移到真实硬件需考虑噪声适应选择对噪声鲁棒的Ansatz如硬件高效Ansatz或使用量子误差缓解技术。编译优化将ZFeatureMap和EfficientSU2编译到特定硬件的原生门集上并考虑量子比特的连通性通过交换门引入额外开销。脉冲级控制对于高端应用可以考虑使用脉冲级的特征映射实现更高效的编码。探索更复杂的模型与特征更大的系统尝试16或20位点的ANNNI模型特征数量更多相图更复杂对特征选择的要求更高。其他量子模型将方法应用到Hubbard模型、拓扑系统等检验其普适性。高阶关联特征除了两点关联引入三点或四点关联函数作为特征看看SHAP是否会筛选出它们或许能揭示更深刻的物理。自动化与流程化将整个流程数据生成-经典特征选择-量子模型训练-评估可视化封装成自动化管道方便对不同模型、不同参数进行批量测试和比较。这个项目让我深刻体会到在量子计算实用化的道路上“量子优势”并非凭空而来它严重依赖于精巧的经典-量子协同设计。SHAP特征选择在这里扮演了“预处理过滤器”和“物理洞察放大器”的双重角色。它不仅仅是一个工程上的技巧更通过量化的方式印证和强化了我们对物理系统ANNNI模型中σ^z关联的重要性的直觉理解。这种可解释性与高性能的结合正是科学计算中最令人着迷的地方。未来随着原生量子可解释性工具的发展我们有望更直接地“窥视”量子模型的黑箱那将会开启一个量子机器学习驱动科学发现的新阶段。
