1. 课程导入与全景认知

在开始动手写第一行量子线路之前，我们需要先建立一张“地图”。变分量子分类器（Variational Quantum Classifier，VQC）是量子机器学习中最具代表性、也最容易上手的一类模型。它的核心思想并不复杂：用一条带可调参数的量子线路把经典数据编码成量子态，测量得到结果，再像训练神经网络那样，通过经典优化器不断调整线路参数，使分类结果逼近目标标签。理解这一点，就抓住了整门课程的骨架。

一、VQC 在量子机器学习中的位置

量子机器学习大致可以分为四类范式：一是用经典计算机模拟量子系统的量子增强学习；二是完全依赖量子线路、不含经典优化回路的纯量子算法（如 HHL 类算法）；三是量子核方法，用量子线路计算核函数再交给经典分类器；四是变分量子算法（VQA），也就是本课程的主角。VQC 属于 VQA 家族，它的典型特征是“量子线路负责表达，经典优化器负责学习”，因此也被称为含参量子线路（Parameterized Quantum Circuit，PQC）加经典优化回路的混合模型。

与 VQC 同属 VQA 的还有变分量子特征求解器（VQE）和量子近似优化算法（QAOA）。VQE 面向基态能量估计，QAOA 面向组合优化，而 VQC 面向监督分类。三者共享同一套“编码—变分—测量—优化”的循环结构，只是目标函数和测量方式不同。掌握 VQC，等于掌握了 VQA 的通用工作方式。

二、与经典分类器的本质区别

经典分类器（如逻辑回归、支持向量机、神经网络）在实数向量空间中工作，模型容量由权重数量和网络结构决定。VQC 的不同体现在三个层面。第一，特征空间不同：经典数据经过量子编码后被映射到 2ⁿ 维希尔伯特空间，n 个量子比特就能表达 2ⁿ 维特征，这种指数级扩展是量子模型表达能力的来源。第二，决策边界不同：经典分类器的边界通常是超平面或非线性曲面，而 VQC 的决策边界由量子态在布洛赫球或更高维空间中的测量期望值决定，可能呈现出经典模型难以高效构造的几何形态。第三，训练方式不同：经典模型用反向传播计算梯度，VQC 则需要通过参数移位规则（Parameter-Shift Rule）或有限差分在量子硬件上估计梯度，计算代价和噪声特性都不同。

需要强调的是，VQC 并不是“一定比经典模型好”。它的优势通常出现在特定数据分布或特定特征结构下，例如数据本身具有量子态特征、或者需要高维特征映射而经典方法计算代价过高时。因此，学习 VQC 的正确态度是：理解它的适用边界，而不是把它当作万能替代品。

三、典型应用场景

VQC 目前的应用主要集中在以下几类任务。第一，量子态分类：判断一个未知量子态属于哪一类，例如区分纠缠态与可分态，这在量子通信和量子纠错中有直接价值。第二，小样本高维分类：当样本量有限但特征维度很高时，量子编码可能提供更紧凑的表示。第三，组合优化中的分类子问题：例如将图分割问题转化为二分类任务。第四，量子化学与材料筛选：对分子性质进行二分类判断，如是否具有某种活性。第五，教学与原型验证：VQC 是理解量子机器学习全流程的最佳载体，因为它足够简单，又包含了编码、变分、测量、优化四个核心环节。

四、整体学习路线

本课程共 30 章，整体路线可以概括为“从概念到实现，从模拟到优化”。前几章建立全景认知和数学基础，包括量子比特、量子门、测量、期望值等必要概念。中间部分进入 VQC 的核心构造：数据编码方式（角度编码、振幅编码、IQP 编码）、变分线路设计（硬件高效线路、强纠缠线路）、测量与损失函数设计。随后进入训练环节，重点讲解参数移位规则、梯度估计、优化器选择、 barren plateau 问题及其缓解策略。最后部分覆盖实战内容：在模拟器上完成端到端训练、在真实量子硬件上运行、噪声影响分析、模型评估与调参。

五、一个最小可运行示例的预期结构

为了让你对后续章节有具体预期，这里给出一个典型 VQC 训练脚本的结构（示例参数，非实测结果）：

# 示例：2 量子比特 VQC 二分类（伪代码结构）
# 1. 数据准备：取 100 个样本，每个样本 2 个特征，标签为 0/1
# 2. 编码：将特征 x 映射为旋转角，Rx(x1) 和 Ry(x2)
# 3. 变分线路：两层，每层包含 Ry(θ) 和 CNOT 纠缠
# 4. 测量：在第一个量子比特上测 ⟨Z⟩，映射为分类概率
# 5. 损失：均方误差 L = mean((p_pred - y)^2)
# 6. 优化：COBYLA 或 Adam，迭代 100 次
# 7. 评估：在测试集上计算准确率，观察损失曲线是否收敛