回顾：从统计物理到采样瓶颈#

第一部分 建立的预备知识构成了理解玻尔兹曼机的概念骨架：

统计物理 提供了玻尔兹曼分布，把低能量与高概率联系起来，并引入能量景观隐喻。

神经网络基础 提供了架构构件（单元、偏置、权重）以及生物学启发（Hebbian 学习）。

基于能量的模型 形式化了学习目标：塑造能量函数，使真实数据占据深谷。梯度包含模型分布下的期望，而由于配分函数需要对指数数量构型求和，该期望无法精确计算。

玻尔兹曼机架构 从计算代价过高的全连接玻尔兹曼机，演化到受限玻尔兹曼机（RBM）；RBM 成为堆叠深度生成架构的关键构件。

核心张力：表达能力与采样可处理性#

尽管有架构简化，所有玻尔兹曼机仍共享一个根本瓶颈：从高维玻尔兹曼分布中采样很难。经典 Markov Chain Monte Carlo（MCMC）方法，例如 Gibbs 采样，会遇到：

低温下混合缓慢，能垒会把链困在孤立模态中。
短链近似中的模态塌缩，例如对比散度（CD）。
偏差，当持久链无法完全达到平衡时会不断累积。

这些采样限制约束了基于能量模型的实际表达能力。

这不仅是软件优化问题；它是深植于统计力学的 物理现象。在临界点附近，关联长度发散，导致 Markov 链混合极其缓慢（临界慢化）。同样的物理机制既让临界 Ising 模型难以模拟，也让已经学习到丰富多模态数据分布的玻尔兹曼机难以采样。

原则化的经典替代方案：模拟退火#

模拟退火（SA） 是一种可用于从 Ising 哈密顿量中采样的经典元启发式方法。它不依赖单条固定温度的 Markov 链，而是模拟物理退火过程：

从高温开始，使系统能够自由探索能量景观。
按照冷却调度逐步降低温度。
在每个温度下执行 Metropolis 更新，使系统向低能构型移动。

如果系统冷却得足够缓慢，最终状态分布会近似有效温度下的玻尔兹曼分布。SA 是玻尔兹曼机采样的强大基线，并在 Kaiwu-PyTorch-Plugin 中以 SimulatedAnnealingOptimizer 实现。它不需要专用硬件，可以完全在 CPU 上运行。

不过，SA 仍依赖 热激活 逃离局部极小值；当能垒很高时，这一过程会指数级变慢，也就是临界慢化。因此，更高级的方法，包括量子采样，就有了用武之地。

原则化替代方案：物理量子退火#

量子采样 提供了一种有物理基础的替代方案。通过把能量函数编码为 Ising 哈密顿量，并使量子系统（例如 相干伊辛机（CIM））向其基态演化，我们可以直接获得低能构型。不同于模拟 MCMC，量子退火通过自然物理弛豫探索能量景观，常常能用更少有效步骤找到更深极小值。

量子采样的完整细节，包括物理实现、与 PyTorch 的集成以及实际性能收益，将在 第二部分的实操教程 中展开。你将学习如何用量子采样器（例如 CIMOptimizer）替换经典 SimulatedAnnealingOptimizer，并观察潜在加速和样本质量提升。

第二部分预览：量子增强实操教程#

第二部分 KPP 实操教程将从理论转向实践。你将使用 Kaiwu-PyTorch-Plugin，以通过相干伊辛机（CIM）实现的量子增强采样替代经典采样。CIM 是一种能够自然寻找低能自旋构型的光参量振荡器系统。教程会把它应用到若干更复杂任务：

EBM 的量子采样： 理解 CIM 原理，并把量子采样器集成到 PyTorch 中。

全玻尔兹曼机： 建模二维混合分布，并观察量子加速。
RBM 与 DBN： 从 MNIST 数字中学习层级特征；比较量子加速训练与经典 CD。
量子变分自编码器（Q-VAE）： 用离散量子 RBM 替代 VAE 的 Gaussian 先验，并应用于图像生成和单细胞转录组学。
每个教程都包含在可独立运行、修改和扩展的 Jupyter Notebook 中。完成第二部分后，你将亲身体验量子采样如何缓解经典混合瓶颈，并支持更具表达能力的生成模型。

每个教程都包含在可独立运行、修改和扩展的 Jupyter Notebook 中。完成第二部分后，你将亲身体验量子采样如何缓解经典混合瓶颈，并支持更具表达能力的生成模型。