1. 课程导入与全景认知

在讨论任何量子算法之前，先要回答一个看似朴素却极其关键的问题：我们凭什么说一个量子算法“好”？ 是量子比特数少？是线路深度浅？是理论上比经典算法有加速？还是在实际硬件上跑得更快？这些问题的答案并不统一，而“量子算法Benchmark”正是为了把这些模糊的直觉转化为可比较、可复现、可解释的量化结论而存在的一整套方法论。

一、什么是量子算法Benchmark

量子算法Benchmark（基准测试）指的是：在明确的问题实例、明确的资源约束、明确的评价指标下，对量子算法（或其编译后的线路、或在真实硬件上的执行）进行系统化测量，并与一个或多个经典基线进行对照，从而判断其性能、优势边界与代价。它至少包含四个要素：

• 问题实例：不是“求解MaxCut”，而是“求解一个含20个节点、边权为1的随机3-正则图上的MaxCut，近似比目标0.9”。
• 资源约束：量子比特数、线路深度、双量子门数量、shots数、经典后处理时间、内存等。
• 评价指标：解的质量（近似比、能量期望）、成功率、保真度、端到端墙钟时间、采样效率等。
• 经典基线：同一问题实例上，一个被公认有代表性的经典算法（如Goemans-Williamson、模拟退火、精确求解器）在可比资源下的表现。

缺少任何一项，结论都会失去意义。例如，只报告“量子算法在5个量子比特上得到了正确解”，而不说明经典算法在同样5个比特规模下几乎瞬间可解，就无法支撑任何“量子优势”的论断。

二、Benchmark的目标：不是证明“量子更快”，而是界定“何时、以何代价、在何问题上”

Benchmark的核心目标可以概括为三条：

1. 可复现性：任何人用相同的实例、相同的参数、相同的硬件或模拟器，应得到统计上一致的结论。
2. 可解释性：性能差异必须能归因到具体因素，如线路深度、噪声水平、经典优化器的迭代次数，而不是笼统的“量子更好”。
3. 边界刻画：明确量子算法在什么规模、什么噪声水平、什么问题结构下开始展现优势，以及优势的代价是什么（如需要更多shots、更长的编译时间）。

因此，Benchmark不是一次性的“跑分”，而是一个持续迭代的测量框架。它要求我们同时关注算法层面（理论加速）、编译层面（线路映射与优化）、硬件层面（噪声、连通性、门保真度）和经典层面（基线算法的实现质量与调参）。

三、核心挑战：为什么量子Benchmark比经典Benchmark更难

经典算法Benchmark已有成熟实践，如MLPerf、SPEC等。量子Benchmark面临额外挑战：

• 噪声与退相干：真实量子硬件的输出是概率性的，且随线路深度增加而失真。同一算法在不同硬件上可能表现迥异。
• 量子比特规模有限：当前设备多在几十到几百量子比特，问题实例必须足够小才能映射，但小规模又容易被经典算法轻松求解。
• 经典基线的“不公平”风险：如果经典基线实现得不够优化，量子算法会显得更好；反之，如果经典基线用了超级计算机而量子用了笔记本，对比也失去意义。
• 指标选择困难：端到端时间、解质量、能量期望、采样复杂度，不同指标可能给出相反结论。
• 可复现性障碍：硬件校准状态、编译策略、随机种子都会影响结果，公开完整的实验配置本身就是一个工程挑战。

四、为什么必须与经典基线对比

经典基线是量子算法Benchmark的“参照系”。没有参照系，任何测量都只是孤立数字。具体而言：

• 定义优势：只有相对于某个经典算法在相同实例上的表现，才能说量子算法是否具有优势。
• 暴露瓶颈：如果量子算法在某个规模下不如经典，对比能帮助定位是线路深度、噪声还是问题映射的问题。
• 指导资源分配：如果经典基线在目标规模下已经足够快，那么投入量子硬件资源可能不划算；反之则值得继续探索。
• 防止“量子炒作”：公开、可复现的基线对比是抵御夸大宣传的最有效手段。

一个合格的经典基线应满足：使用同一问题实例、在可比计算资源下运行、采用公认的优化实现、并报告完整的参数与随机种子。例如，对于组合优化问题，经典基线可以是Goemans-Williamson近似算法、模拟退火或分支定界；对于线性系统，可以是共轭梯度法或直接求解器。

五、本课程路线图与学习成果

本课程共30章，围绕“如何科学地做量子算法Benchmark”展开，分为四个阶段：

1. 基础与框架（第1–6章）：定义、指标、经典基线选择、实验设计、统计方法、可复现性规范。
2. 算法与实现（第7–15章）：典型量子算法（QAOA、VQE、量子相位估计、Grover等）的Benchmark要点、线路编译与资源估算。
3. 硬件与噪声（第16–22章）：真实硬件上的执行、噪声建模、错误缓解、保真度与采样效率评估。
4. 案例与前沿（第23–30章）：组合优化、量子化学、机器学习等领域的完整Benchmark案例，以及量子优势边界的当前认知。

学完本课程，你将能够：

• 为一个给定的量子算法设计完整的Benchmark方案，包括实例生成、指标选择、基线配置。
• 识别并避免常见的Benchmark陷阱，如不公平对比、指标误导、噪声忽略。
• 解读量子算法与经典基线的对比结果，判断优势是否真实、是否可扩展。
• 独立复现文献中的Benchmark实验，并评估其结论的可靠性。

下面的SVG给出了本课程的核心认知框架：量子算法Benchmark的四个要素、与经典基线的对比关系，以及从问题实例到结论的完整信号链。

六、一个最小可用的Benchmark示例框架

为了把上述概念落到可操作层面，下面给出一个最小Benchmark记录模板。它不追求覆盖所有场景，但能保证一次对比实验的基本可复现性。字段可根据具体问题增删。