学习目标

搭建一个量子经典混合神经网络来完成一个词嵌入任务。 

数据预处理

从文本数据中构建词汇表，并根据CBOW模型的窗口大小生成训练样本 。例如，对于句子 "I love natural language processing"，在窗口大小为2时，可以生成多个上下文-目标词对，如：

• 上下文: ["I", "love"], 目标词: "natural"
• 上下文: ["love", "natural"], 目标词: "language"

编码线路

使用Hadamard门将量子比特初始化为均匀叠加态。

为了将词的索引编码到量子态中，编码线路需要由RX旋转门构成。

Ansatz线路

Ansatz线路的每个单元由一层RY门（用于学习旋转参数）和一层CNOT门（用于在量子比特之间引入纠缠）组成。对此单元重复𝑝次构成整个Ansatz线路。 

测量

根据指定的嵌入维度（如5维），我们需要设计对应的测量策略。例如，通过测量特定量子比特的组合（如Z0Z1Z0Z1）来估计哈密顿量的期望值，从而得到嵌入向量的各个维度。 

量子版词向量嵌入层

量子版词向量嵌入层结合前面的编码量子线路和待训练量子线路，以及测量哈密顿量，将num_embedding个词嵌入为embedding_dim维的词向量。还需要在量子线路的最开始加上了Hadamard门，将初态制备为均匀叠加态，用以提高量子神经网络的表达能力。

经典版词向量嵌入层

使用经典的全连接层或其他类型的神经网络层来构建CBOW模型的嵌入层。这个层将接受词的索引作为输入，并输出词向量。同时为了评估量子嵌入层的性能，需要将其与经典嵌入层进行比较。