4. 参数化量子电路设计
在混合量子经典优化工作流中，参数化量子电路（PQC）承担着“可训练模型”的角色：经典优化器负责更新参数，量子电路负责把参数映射为可测量的输出。这个映射方式由 ansatz 决定。ansatz 不是随便堆几层旋转门和纠缠门，它同时决定了模型能表达什么、优化器能不能找到好参数、以及训练成本有多高。本节围绕 ansatz 构造、参数初始化、表达力与训练难度的权衡展开，并给出可操作的构造与检查方法。
一、ansatz 的构造：从任务结构出发
构造 ansatz 的第一步不是选门，而是明确任务需要什么类型的关联。常见任务可分为三类：第一类是组合优化，例如 MaxCut，其目标函数由问题图的边决定，ansatz 需要能表达变量之间的成对关联；第二类是量子化学或物理模拟，例如 VQE 求基态能量，ansatz 需要能逼近真实哈密顿量的本征态；第三类是分类或回归，输入是数据，ansatz 需要把数据编码与可训练参数结合。
以 MaxCut 的 QAOA 型 ansatz 为例，其结构由问题哈密顿量和混合哈密顿量交替演化构成。对每条边 (i,j)，代价层施加 ZZ 相互作用，参数为 γ；混合层对每个量子比特施加 RX 旋转，参数为 β。层数 p 决定电路深度。若问题图有 5 个顶点、6 条边，p=2，则电路包含 2 个代价层和 2 个混合层，共 4 个可训练参数（γ₁, β₁, γ₂, β₂）。这种 ansatz 的表达力受 p 限制，但参数少、优化相对稳定。
对于硬件高效 ansatz（HEA），常见结构是“旋转层 + 纠缠层”重复。旋转层对每个量子比特施加 RY(θ) 或 RX(θ)，纠缠层用 CNOT 或 CZ 在相邻比特间建立关联。例如 4 比特、2 层的 HEA：每层 4 个 RY 参数，共 8 个参数；纠缠层采用线性链 CNOT（0→1, 1→2, 2→3）。这种结构灵活，但表达力与训练难度都随层数快速上升。
二、参数初始化：不要全部置零
参数初始化直接影响优化起点。若所有旋转角初始化为 0，许多 ansatz 的梯度会因对称性而消失，优化器无法获得有效方向。常见做法包括：小随机初始化，例如从均匀分布 U(-0.1, 0.1) 采样；或从均匀分布 U(0, 2π) 采样，适用于周期性强、局部极小较多的场景。对于 QAOA 型 ansatz，可先用经典启发式给出 γ、β 的初始猜测，例如 γ 取问题边权相关的小值，β 取接近 π/4 的值。
初始化后应检查两点：一是初始参数下电路输出是否具有非零梯度，可通过参数移位规则计算单个参数的梯度；二是初始能量或损失是否远离已知最优值，若过于接近，可能陷入平凡解。例如在 MaxCut 示例中，若初始 γ=0、β=0，所有比特处于 |0⟩，测量得到的割值期望为 0，梯度也为 0，必须避免。
三、表达力与训练难度的权衡
表达力指 ansatz 能覆盖的量子态范围。层数越多、纠缠越密，表达力越强，但训练难度也越大。训练难度体现在三个方面：梯度消失（贫瘠高原）、参数空间非凸导致局部极小、以及电路深度增加带来的噪声累积。贫瘠高原的典型表现是：随着量子比特数 n 增加，随机初始化下梯度的方差按指数衰减。对于全局随机初始化、深度为 O(n) 的 HEA，梯度方差可能衰减到 10⁻³ 以下，优化几乎停滞。
权衡策略包括：第一，优先使用问题启发的 ansatz，如 QAOA、UCCSD，它们把问题结构编码进电路，参数少、表达力针对性强；第二，采用分层训练，先训练浅层，再逐层增加，避免一次性优化全部参数；第三，使用局部初始化策略，例如对每个参数从其邻域采样，而非全局随机；第四，监控梯度范数，若连续多步梯度范数低于阈值（如 10⁻⁴），应检查是否进入贫瘠高原，并考虑减小层数或更换 ansatz。
四、一个可执行的构造与检查流程
下面给出一个面向 MaxCut 的 ansatz 构造与检查示例，参数为教学假设，用于说明流程。假设问题图有 4 个顶点、4 条边，边集为 (0,1)、(1,2)、(2,3)、(3,0)，目标为最大化割边数。
步骤 1：选择 ansatz 类型
采用 QAOA 型，层数 p=2。
代价层：对每条边 (i,j) 施加 RZZ(2γ) 等效门。
混合层：对每个比特施加 RX(2β)。
步骤 2：参数初始化
γ₁ = 0.3, β₁ = 0.7
γ₂ = 0.5, β₂ = 0.4
检查：初始割值期望约为 2.1（非零），梯度范数约 0.08（非零）。
步骤 3：训练与监控
使用经典优化器（如 COBYLA）迭代 100 次。
每 10 步记录损失值与梯度范数。
若梯度范数 < 1e-4 且损失值不再下降，判定为停滞。
步骤 4：结果判断
最优割值期望达到 3.8 以上（接近最大割 4）。
若低于 3.0，检查 ansatz 层数是否不足或初始化是否不佳。
该流程的关键在于：初始化后先验证梯度非零，训练中持续监控梯度范数，结果不达标时优先调整 ansatz 结构而非盲目增加迭代次数。对于更复杂的任务，可把上述检查点固化为训练日志字段，例如记录每层的参数均值、梯度范数、损失值，便于回溯。