简介qlstm 示例包聚焦量子长短期记忆网络QLSTM的落地实现面向想尝试量子机器学习与经典 RNN 结合的研究者、开发者。工程围绕 POS 词性标注任务展开同时提供基于 PennyLane 的量子 LSTM 实现、下载哈依库数据的脚本、可直接运行的示例程序并配有经典 LSTM 与量子 LSTM 的训练对比图便于直观评估效果。压缩包共 10 个文件主要包含 3 个 Python 脚本、1 个 Jupyter Notebook、3 张训练过程 PNG 图、依赖清单与 README 说明整体仅 84KB结构紧凑适合快速复现和二次修改。目前已有 423 人学习下载对于刚接触量子机器学习或想比对 QLSTM 与经典 LSTM 性能的读者是一份轻量且可读的入门素材。1. qlstm量子 LSTM 示例到底在解决什么问题量子LSTMqlstm不是把整个 LSTM 模型搬到量子计算机上而是混合量子-经典的改造把 LSTM 单元里的门控计算换成参数化量子电路PQC经典部分负责预处理和输出。价值不在量子加速而在探索参数更少、特征交互更强的可训练序列模块。这篇笔记写给三类人评估量子机器学习值不值得投入的工程师、正在选方向的学生、跑过经典 LSTM 想换路线的研究者。下面给出一份用 PennyLane 能跑通的最小示例代码再讲时间序列上的对比实验和参数设置最后是踩坑记录。先给结论qlstm 目前还在学术验证期精度不一定赢经典 LSTM它的意义是回答“量子电路能不能当 LSTM 的门控计算器”。带着这个预期去读对比实验里那些反直觉的结果你才不会慌。2. 量子 LSTM 的网络结构把经典门控映射成参数化量子电路在写代码之前得先把结构讲透。经典 LSTM 单元的更新由遗忘门 f、输入门 i、输出门 o 和候选记忆 c̃ 共同决定量子LSTMqlstm的常见做法是保留这套门控公式和时序顺序只把“计算每个门输入”的线性映射替换成一条量子线路。线路内部可以拆成三段数据编码、变分层、测量。经典层负责编码前的维度压缩和测量后的激活映射量子层只做一件事——把输入向量映射成一组高维特征。下面分三步拆开这个结构。2.1 经典 LSTM 的四个门哪些适合量子化先回顾经典公式f_t σ(W_f·[x_t, h_{t-1}] b_f)i_t、o_t 同构c̃_t 只把激活函数换成 tanh。四个门本质上都是对拼接向量做仿射变换再套一个固定激活。仿射变换的表达力有限它只能捕捉特征的线性组合门与门之间的交互要靠堆叠时间步和层数去慢慢“熬”。量子电路替换的切入点就在这里一条带变分参数 RY 门和 CNOT 纠缠的线路等于把输入编码到高维希尔伯特空间再做测量测量期望值里天然包含特征之间的交叉项和高阶相关性。也就是说同样一层的表达能力量子线路上限比线性层高出一截。这是 qlstm 在理论上站得住的根本原因也是论文里反复提的“可表达性优势”。接线方式常见有两种一种是四个门共享一条量子线路测量结果分别接四个线性投影参数少、收敛稳另一种是每个门独立一条线路表达力强但线路数量和可训练参数直接翻倍。我一般用共享线路起步跑通后再改独立线路做对比。还要划清边界编码前的维度压缩、测量后的 sigmoid/tanh这些经典部分已经足够成熟硬搬进量子线路只会增加噪声。典型 qlstm 的职责边界是“门控计算进量子其余留在经典”。2.2 数据编码角度编码是默认选择振幅编码什么时候用量子电路不能直接吃浮点向量得先把数据编码成量子态。最常用的是角度编码每个特征映射成一个旋转角度作用到对应量子比特上实现上就是 qml.AngleEmbedding(..., rotationY)每个特征对应一个 RY 门。角度编码有个大坑数值范围。RY(θ) 在 θ0 时对应 |0⟩θπ 时对应 |1⟩所以特征必须落在 [0, π] 区间才有区分度。我在这套示例里用 π·(tanh(z)1)/2 做缩放一步到位地保证角度合法如果直接把原始特征喂给 AngleEmbedding超过区间的部分会绕回来输出退化成几乎恒等的旋转训练时梯度会弱到看不见。振幅编码能用 n 个比特装 2ⁿ 个特征表达力更强但对噪声极其敏感特征值一有微小扰动线路保真度就明显下降。序列数据归一化后幅度往往很平振幅编码会把差异压得更平训练表现像个黑匣子。所以默认选角度编码只有特征维度远大于比特数、又不想加压缩层的场景才值得试振幅编码。编码方式特征容量噪声敏感度适用场景角度编码n 比特对应 n 个特征低默认首选特征需缩放到 [0, π]振幅编码n 比特对应 2ⁿ 个特征高特征维度极大、对保真度要求不苛刻2.3 测量与经典后处理梯度如何穿过量子线路线路末端对每个比特测 Pauli-Z 期望值测量结果落在 [-1, 1]。这个向量要先经过一个经典线性层投影到 hidden_size 维再分别套 sigmoid三个门和 tanh候选记忆。测量这一步决定了梯度怎么回传PennyLane 的 adjoint 微分可以在小线路上精确求梯度速度最快parameter-shift 规则适合线路规模大、需要有限 shot 抽样的场景但梯度噪声会明显变大。有一个绕不开的工程点量子线路本质上是逐样本执行的。batch 里的每条样本都要单独过一遍线路不能像矩阵乘法那样整体广播这个循环在模拟器上非常慢。后面对比实验的时间预算必须把这一条算进去否则你会误以为程序卡死了。提示模拟器内存随比特数指数增长n_qubits 超过 8 之后单条样本的模拟时间也会肉眼可见地变慢。3. 用 PennyLane 跑通最小 qlstm 示例代码与参数解读3.1 环境准备与接口选型qlstm 的常见实现是建立在 PennyLane 上的因为它对 PyTorch 的接口支持最顺手。安装命令很简单pip install pennylane torchPennyLane 版本和现有 PyTorch 版本匹配即可不必追新如果机器上同时装了 qiskit两套库对 numpy 的接口可能有冲突建议分开建虚拟环境。接口选型上我固定用 interfacetorch因为整个训练循环都要留在 PyTorch 里微分方法首选 adjoint小线路上它比 parameter-shift 快一个数量级。必须说明一个容易忽略的点PennyLane 的 QNode 默认接口是 autograd如果你在 nn.Module 里直接调用 QNode 而不显式声明 interfacetorch反向传播会在 QNode 边缘断掉loss.backward() 会报梯度断裂。这是 qlstm 新手最容易踩的坑没有之一。3.2 QLSTM 单元的最小实现下面这份代码是整套示例的核心。功能上它复刻了经典 LSTM 单元的全部门控逻辑只是四个门共享一条量子线路的输出再分别做线性投影import torch import torch.nn as nn import pennylane as qml n_qubits 4 n_layers 2 dev qml.device(default.qubit, wiresn_qubits) qml.qnode(dev, interfacetorch, diff_methodadjoint) def gate_circuit(inputs, weights): # inputs: 已缩放到 [0, pi] 的角度形状 (n_qubits,) # weights: 变分层可训练角度形状 (n_layers, n_qubits) qml.AngleEmbedding(inputs, wiresrange(n_qubits), rotationY) for layer in range(n_layers): for wire in range(n_qubits - 1): qml.CNOT(wires[wire, wire 1]) for wire in range(n_qubits): qml.RY(weights[layer, wire], wireswire) return [qml.expval(qml.PauliZ(wire)) for wire in range(n_qubits)] class QLSTMCell(nn.Module): def __init__(self, input_size, hidden_size, n_qubits4, n_layers2): super().__init__() self.hidden_size hidden_size self.n_qubits n_qubits self.n_layers n_layers # 把拼接后的 [x_t, h_prev] 压到 n_qubits 维便于编码 self.fc_compress nn.Linear(input_size hidden_size, n_qubits) # 量子线路里的可训练角度 self.qlstm_weights nn.Parameter(0.1 * torch.randn(n_layers, n_qubits)) # 测量结果 - 四个门各自的投影 self.f_fc nn.Linear(n_qubits, hidden_size) self.i_fc nn.Linear(n_qubits, hidden_size) self.o_fc nn.Linear(n_qubits, hidden_size) self.c_fc nn.Linear(n_qubits, hidden_size) def _scale_to_pi(self, z): # 把任意实数值映射到 [0, pi]避免编码角度越界 return torch.pi * (torch.tanh(z) 1.0) / 2.0 def forward(self, x, h_prev, c_prev): combined torch.cat([x, h_prev], dim-1) # (B, inputhidden) encoded self._scale_to_pi(self.fc_compress(combined)) # (B, n_qubits) # 量子线路逐样本执行batch 要拆开循环 measured torch.stack([ gate_circuit(encoded[i], self.qlstm_weights) for i in range(encoded.size(0)) ]) # (B, n_qubits) f torch.sigmoid(self.f_fc(measured)) i torch.sigmoid(self.i_fc(measured)) o torch.sigmoid(self.o_fc(measured)) c_tilde torch.tanh(self.c_fc(measured)) c_new f * c_prev i * c_tilde h_new o * torch.tanh(c_new) return h_new, c_new, measured这段代码的 forward 和经典 LSTM 完全同构唯一区别是门的输入来自量子线路的测量结果。fc_compress 是维度压缩把 input_sizehidden_size 压到 n_qubits从源头杜绝“特征数超过比特数”的编码错误。_scale_to_pi 是关键细节tanh 把任意实数平滑压到 (-1,1)再线性搬到 [0,π]保证 AngleEmbedding 的角度永远合法。几个参数说明qlstm_weights 初始化用 0.1·randn 而不是默认的标准差 1.0是刻意的——1.0 量级的随机角度会让线路输出接近均匀随机分布梯度信号严重衰减。n_qubits4 是模拟器上性价比最高的起点太小表达力不足太大单条样本的模拟时间指数上涨。hidden_size 在这里只控制门输出投影的维度和量子线路大小无关调参时可以分开看。3.3 把单元串成序列模型并做冒烟测试上面这个 cell 只能处理单步输入。要处理完整序列需要按时间步展开调用再把最后一步的隐藏状态投影成预测值class QLSTMSequence(nn.Module): def __init__(self, input_size1, hidden_size8, n_qubits4, n_layers2): super().__init__() self.cell QLSTMCell(input_size, hidden_size, n_qubits, n_layers) self.output_fc nn.Linear(hidden_size, 1) def forward(self, x): batch, seq_len, _ x.shape h torch.zeros(batch, self.cell.hidden_size) c torch.zeros(batch, self.cell.hidden_size) for t in range(seq_len): h, c, _ self.cell(x[:, t, :], h, c) return self.output_fc(h)冒烟测试就是拿随机数据跑一次前向和反向确认梯度能穿过 QNode 回到 fc_compresstorch.manual_seed(0) model QLSTMSequence() opt torch.optim.Adam(model.parameters(), lr0.01) loss_fn nn.MSELoss() x torch.rand(8, 16, 1) # batch8, 序列长16 y torch.rand(8, 1) for step in range(30): opt.zero_grad() loss loss_fn(model(x), y) loss.backward() opt.step() if step % 10 0: print(fstep {step:3d} loss{loss.item():.6f})如果一切正常loss 会在 30 步内下降或至少稳定不报错。看三个信号判断链路是否健康一是 loss 是否随时间下降哪怕有抖动说明梯度回传是通的二是顺手打印一下 qlstm_weights 的梯度范数非零说明量子线路真的在训练三是把 batch 从 8 减到 2确认逐样本循环的耗时变化符合线性预期。这三条都过了后面接真实数据就不心虚。3.4 关键参数表参数推荐值说明n_qubits46模拟器内存随 2ⁿ 增长超过 8 会明显吃力n_layers2超过 3 进入贫瘠高原风险区梯度容易消失diff_methodadjoint小线路最快换 parameter-shift 可兼容有限 shotlr0.010.03量子线路梯度尺度通常小于经典层偏小更稳hidden_size816门输出投影维度决定经典部分的表达力batch_size832逐样本过线路batch 越大耗时线性越久调量子LSTM 参数有个经验顺序先固定 n_qubits 和 n_layers动 hidden_size 和 lr把经典部分调稳再回来加 n_layers 或改线路结构。顺序反了你根本分不清性能变化是来自量子线路还是整个模型的连带反应。4. 用 qlstm 做时间序列预测对比实验与结果解读4.1 滑动窗口数据集的构建实验台用一段带噪声的正弦序列。它周期明确、自带非线性交互又不像真实业务数据那样带一堆难以归因的扰动适合验证模型结构差异。先造数据import numpy as np t np.linspace(0, 8 * np.pi, 600) series np.sin(t) 0.1 * np.sin(3 * t) 0.05 * np.random.randn(600) def make_windows(series, window16, horizon1): X, Y [], [] for i in range(len(series) - window - horizon 1): X.append(series[i:i window]) Y.append(series[i window:i window horizon]) return (np.array(X, dtypenp.float32).reshape(-1, window, 1), np.array(Y, dtypenp.float32).reshape(-1, horizon))窗口函数里最容易出错的是切分方式时间序列必须按时间顺序切训练和验证不能随机打乱否则验证集泄漏未来信息。我习惯前 80% 做训练、后 20% 做验证horizon 先设 1 做单步预测多步预测等单步稳定后再外推逐层递进比直接预测长序列更容易定位问题。4.2 与经典 LSTM 的公平对比公平对比要做两件事参数量或隐藏维度对齐以及同一套数据、优化器和随机种子。我一般让经典 LSTM 和量子版本的 hidden_size 相同对同一组种子各跑 5 次取验证 RMSE 的中位数和四分位距来比。骨架代码def train_eval(model, Xtr, Ytr, Xva, Yva, seed, epochs80): torch.manual_seed(seed) opt torch.optim.Adam(model.parameters(), lr0.01) loss_fn nn.MSELoss() for _ in range(epochs): opt.zero_grad() loss loss_fn(model(torch.tensor(Xtr)), torch.tensor(Ytr)) loss.backward() opt.step() with torch.no_grad(): pred model(torch.tensor(Xva)) rmse float(((pred - torch.tensor(Yva)) ** 2).mean().sqrt()) return rmse rmses_q [train_eval(QLSTMSequence(), Xtr, Ytr, Xva, Yva, s) for s in range(5)] # 经典 LSTM 用 torch.nn.LSTM 同样的输出层跑同样的 5 个种子注意量子版本是否真的收敛。经典 LSTM 对这类正弦数据几十轮就能拟合得很好量子版本因为逐样本过线路每个 epoch 慢一个数量级固定 80 轮很可能没跑完。更公平的做法是按“达到同一验证误差所需的 epoch 数”对齐训练预算而不是拍一个固定数字。4.3 什么场景下量子 LSTM 值得投入从我跑过的实验看量子LSTM 在小样本、短序列、特征之间存在明显高阶交互的任务上更容易和经典基线互有胜负反过来数据量大、序列长、实时性要求高的场景直接别考虑。三个原因摆在这逐样本线路循环决定了模拟器上的吞吐量上不去n_qubits 超过 8 后内存和噪声双双失控经典 LSTM 有几十年的工程优化同样算力预算下几乎不可能输。所以值不值得做取决于你想验证什么。如果目标是发论文、探索混合模型的可表达性边界qlstm 是很好的实验载体如果目标是上线一个预测服务老老实实把经典 LSTM 调好更实际。判断标准就一条你是否真的需要“量子电路带来的特征交互”本身而不是需要“量子”这个标签。5. 量子 LSTM 避坑指南5 个让人翻车的常见问题5.1 线路太深loss 像被焊死一样纹丝不动现象不管怎么调学习率训练 loss 几乎不变qml 线路里参数的梯度范数小到接近 1e-10。原因这是典型的贫瘠高原barren plateau。随机初始化的深线路在高维希尔伯特空间里绝大多数方向的梯度期望趋近于零。n_layers 一超过 3 到 4 层问题立刻显现。解决把 n_layers 降回 2权重初始化往 0 附近收比如 0.1·randn。如果还想加深改用逐层训练先固定浅层、训练深层再整体解冻或者换局域代价函数只测单个比特而不是全局测量梯度方差会显著改善。5.2 shots 设成有限值训练曲线像随机游走现象每次打印的 loss 忽高忽低同一个 batch 重复前向的结果都不一样甚至报 adjoint 不支持有限 shot 的错误。原因device 里设 shotsN 后测量结果是抽样期望值N 太小方差就大更关键的是 adjoint 微分不支持有限 shot必须切到 parameter-shift而 parameter-shift 在低 shot 下梯度噪声会直接淹没信号。解决小规模实验把 shots 留空用精确模拟必须用有限 shot 时把 N 提到 1024 以上同时调大 batch size 让噪声被平均掉。不要在 shots100 的情况下指望 Adam 能稳住那是花钱赌运气。5.3 输入特征数超过量子比特数编码直接报错现象forward 抛错提示 AngleEmbedding 输入维度不匹配。原因AngleEmbedding 要求输入特征数恰好等于 wires 数。序列特征原始维度往往大于 n_qubits直接编码必然越界。解决在编码前加一个 Linear 压缩层把 input_sizehidden_size 压到 n_qubits。这套示例里的 fc_compress 就是干这个的。如果你坚持不加压缩层就只能把 n_qubits 开到比特征数还大模拟器会先把你内存吃光属于典型的自找翻车。5.4 torch 与 numpy 混用反向传播在 QNode 边缘断掉现象训练到第一个 optimizer.step() 时报“element 0 of tensors does not require grad”或者 loss 能算但 backward 提示计算图断裂。原因QNode 默认接口是 autograd在 PyTorch 的 nn.Module 里调用时要么显式指定 interfacetorch要么把测量结果转成 torch 张量再接回计算图否则梯度流不进经典层。解决QNode 定义时写死 interfacetorchdiff_methodadjoint所有进出 QNode 的张量保持 torch 类型不要在 forward 里对测量结果调用 .numpy()。检查方式是打印 fc_compress 的梯度如果是 None基本就是这个坑。5.5 单次随机种子定胜负对比结论全站不住现象某次实验量子版本 RMSE 比经典低 20%换个种子再跑经典反超 30%结论完全取决于随机数。原因量子线路初始化、参数初始化和数据划分三处随机性叠加单次对比的信噪比极低。混合模型比经典模型多了一层随机源单次实验结果没有任何说服力。解决最少跑 5 个种子取中位数和四分位距画箱线图对比训练预算按达到目标验证误差所需轮数对齐再补一个消融实验把量子线路替换成随机固定权重的非线性层看看收益到底来自“可训练的量子电路”还是仅仅来自多了一层非线性变换。6. 进阶线路裁剪与“先经典后量子”的验证习惯6.1 先经典后量子的调参顺序一个我每次都会用的习惯任何 qlstm 实验先建一个结构完全对应的经典 LSTM确认它在数据集上能收敛到合理误差再动手把门控换成量子线路。这件看起来浪费时间的事能帮你省下大量排查时间——如果经典基线都训不动说明是数据或预处理的问题跟量子无关如果经典基线很好而量子版本差问题就锁定在线路结构和编码方式上排查范围瞬间缩小一个数量级。6.2 线路裁剪与梯度范数检查量子线路不是越深越好。我调参时习惯打印每条线路上各比特的测量期望值方差如果某个比特的 expval 在多次前向里几乎不变说明这一路的编码信息已经饱和砍掉对应比特或减少该层纠缠就能缓解过参数化。裁剪的边界法是从 n_qubits4、n_layers2 起步逐步减到表达能力明显不足loss 拐头再回退一格这就是当前数据集上的最小有效配置。另一个值得养成的验证习惯是梯度范数分布检查每训练 10 轮打印一次 qlstm_weights 的梯度范数。正常情况它应该和经典层梯度同量级如果小三个数量级以上不要盲目加大学习率先回来查线路深度和初始化。这些检查加起来不到 20 行代码但能把“量子部分到底在不在学”这个黑匣子变成可观察的指标。我做量子LSTM 调参这几年最深的体会是这种混合模型的玄学成分不在量子物理而在把两套梯度体系接在一起的工程细节。先把经典基线钉死再一层层换量子模块每一步都验证“这一层换上来是否真的有用”比任何花哨的线路设计都重要。希望帮到你。本文还有配套的精品资源点击获取