1. 混合量子经典优化工作流全景

混合量子经典优化工作流（Hybrid Quantum-Classical Optimization Workflow，简称 HQC 工作流）是一类把量子处理器与经典计算机组合成统一求解回路的优化范式。它的基本出发点很朴素：当前量子硬件在量子比特数、相干时间与门保真度上仍受限，无法独立完成大规模优化；而经典计算机擅长高精度数值计算、梯度估计与约束处理，却不擅长在指数级搜索空间中直接寻找全局最优。把两者按“量子负责采样与态制备、经典负责参数更新与决策”的方式耦合，就能在现有硬件条件下求解组合优化、量子化学、机器学习等领域的实际问题。

理解这一工作流，关键要抓住“谁在算什么”。量子侧通常执行参数化量子电路（PQC），例如硬件高效拟设（HEA）或量子近似优化算法（QAOA）的代价层与混合层，通过测量得到期望值或采样分布；经典侧则接收这些统计量，计算目标函数值，并依据优化器规则更新电路参数。二者通过一个闭环反复迭代，直到收敛或达到停止条件。

核心组件与职责划分

一个可运行的 HQC 工作流通常包含以下组件：

  • 问题编码层：把实际优化问题映射为量子可处理的哈密顿量或代价函数。例如 MaxCut 问题可编码为伊辛模型，每个顶点对应一个量子比特，边权决定耦合系数。
  • 参数化量子电路：由可调旋转门和固定纠缠门组成，参数向量 θ 决定输出态 |ψ(θ)⟩。
  • 测量与估计模块：对同一电路多次采样（shots），估计 ⟨ψ(θ)|H|ψ(θ)⟩ 或计算目标函数 C(θ)。
  • 经典优化器：如 COBYLA、SPSA、Adam 或自然梯度，根据目标值更新 θ。
  • 执行后端与调度：负责把电路编译、排队、发送到真实量子设备或模拟器，并回收结果。
  • 收敛判据与结果解码：判断是否达到精度或迭代上限，并把最终比特串解码为原问题的解。

这些组件并非简单串联，而是形成“量子执行—经典反馈—再执行”的闭环。下图给出该闭环的结构关系与数据流向。

混合量子经典优化工作流闭环 问题编码 MaxCut → 伊辛哈密顿量 参数化量子电路 |ψ(θ)⟩ = U(θ)|0⟩ 测量与估计 shots 采样 → C(θ) 经典优化器 θ ← θ − η∇C(θ) 收敛判据 |ΔC| < ε 或迭代上限 结果解码 比特串 → 最优割集 参数更新反馈 满足则停止 量子侧：制备态、采样、估计期望值 经典侧：计算目标、更新参数、判断收敛、解码结果 注：虚线表示迭代反馈路径，实线表示单次前向数据流。

运行闭环：一次迭代里发生了什么

以 MaxCut 为例，假设图有 4 个顶点、边集为 {(0,1),(1,2),(2,3),(3,0)}，边权均为 1。目标函数为割边数最大化，等价于最小化哈密顿量 H = Σ_{(i,j)∈E} (1 − Z_i Z_j)/2。QAOA 的 p=1 电路包含：对每个量子比特施加 Hadamard 门制备均匀叠加态；然后按代价哈密顿量施加 Rzz(γ) 纠缠层；再按混合哈密顿量施加 Rx(β) 层。参数向量 θ = (γ, β)。

一次完整迭代的流程是：

  1. 把当前 θ 传入量子电路，在模拟器或真实设备上执行 1024 次 shots。
  2. 测量每个量子比特的 Z 基，统计得到比特串分布，计算 ⟨H⟩ 的估计值 C(θ)。
  3. 经典优化器（如 COBYLA）根据 C(θ) 与历史值，决定下一步 θ'。
  4. 若 |C(θ') − C(θ)| < 1e-4 或达到 200 次迭代，停止；否则回到第 1 步。

这里有一个容易被忽略的细节：量子测量只能给出统计估计，因此 C(θ) 本身带有采样噪声。若 shots 太少，优化器可能被噪声误导，收敛到次优参数。实践中常用“每次迭代增加 shots”或“对同一 θ 重复测量取平均”来抑制噪声。例如初始阶段用 256 shots 快速探索，接近收敛时提升到 4096 shots 精细估计。

参数更新示例： 设初始 θ₀ = (γ=0.5, β=0.3)，第一次测量得到 C(θ₀) = 2.1。COBYLA 试探 θ₁ = (0.6, 0.3)，测得 C(θ₁) = 2.6，则接受该方向；若 C(θ₁) = 1.9，则缩小步长重新试探。整个过程不需要计算解析梯度，适合含噪量子设备。

典型应用场景与选择依据

HQC 工作流并非万能，它最适合“目标函数可编码为哈密顿量、且量子电路能有效制备候选解”的问题。常见场景包括：

应用场景 量子侧角色 经典侧角色 典型算法
组合优化（MaxCut、TSP） QAOA 制备割集叠加态 更新 γ、β，解码最优割 QAOA + COBYLA
量子化学基态能量 VQE 制备试探波函数 优化分子轨道参数 VQE + SPSA
量子机器学习 参数化电路作为分类器 计算损失并反向传播 QNN + Adam
金融组合优化 编码资产协方差矩阵 处理约束与风险惩罚 QAOA + 惩罚项

选择是否采用 HQC 工作流时，可以问三个问题：第一，问题规模是否已超出经典精确算法的可解范围？第二，目标函数能否写成量子比特上的哈密顿量？第三，当前量子设备的保真度与连通性是否足以支撑所需电路深度？如果三者都满足，HQC 工作流就值得尝试；否则，经典启发式算法可能更经济。

常见误区： 把 HQC 工作流理解为“量子计算机替代经典计算机”。实际上，经典优化器在整个闭环中承担了参数决策、约束处理和收敛判断，量子设备只负责在特定基下制备与测量量子态。二者缺一不可。

从全景到实践：一个可复现的起点

若要在本地复现一个最小 HQC 工作流，可以使用 Qiskit 或 PennyLane 的模拟器。以下是一个 QAOA 单次迭代的伪代码结构，展示了量子执行与经典更新的接口：

# 示例：QAOA p=1 单次迭代（模拟器）
from qiskit import QuantumCircuit, Aer, execute
from scipy.optimize import minimize

def qaoa_circuit(gamma, beta, edges, n):
    qc = QuantumCircuit(n, n)
    qc.h(range(n))
    for (i, j) in edges:
        qc.rzz(2 * gamma, i, j)
    qc.rx(2 * beta, range(n))
    qc.measure(range(n), range(n))
    return qc

def cost_function(params, edges, n, shots=1024):
    gamma, beta = params
    qc = qaoa_circuit(gamma, beta, edges, n)
    backend = Aer.get_backend('qasm_simulator')
    result = execute(qc, backend, shots=shots).result()
    counts = result.get_counts()
    # 计算割边数期望
    total = 0
    for bitstring, count in counts.items():
        cut = sum(1 for (i, j) in edges if bitstring[i] != bitstring[j])
        total += cut * count
    return -total / shots  # 取负以最小化

# 经典优化器驱动
res = minimize(cost_function, x0=[0.5, 0.3], args=(edges, 4),
               method='COBYLA', options={'maxiter': 200})
print(res.x, -res.fun)

这段代码中，cost_function 是量子侧与经典侧的接口：它接收经典参数，返回目标值；minimize 是经典优化器，负责决定下一次参数。运行后，res.fun 的相反数即为找到的最大割边数，res.x 为对应的 γ、β。若结果接近理论最大值，说明工作流在该规模下有效；若波动较大，可增加 shots 或调整优化器容差。

← 上一章 📖 返回目录 下一章 →