1. 混合量子机器学习训练流水线全景
混合量子机器学习（Hybrid Quantum-Classical Machine Learning, HQML）的核心思想，是把量子处理器当作经典模型中的一种“可微分层”来使用：量子线路负责在指数级大的希尔伯特空间中构造特征映射或参数化态，经典优化器负责计算梯度、更新参数并驱动整个训练循环。因此，它的训练流水线不是“量子替代经典”，而是“量子与经典协同”。理解这条流水线的全景，是后续所有章节——数据编码、量子线路设计、梯度估计、误差缓解、硬件调度——的共同基础。
一、什么是混合量子机器学习训练流水线
一条完整的 HQML 训练流水线，指的是从原始数据到可用模型的端到端处理链路，它至少包含五个环节：数据准备与编码、量子线路前向执行、测量与期望值估计、经典优化与参数更新、以及结果评估与部署。与经典流水线最大的不同在于：中间存在一个必须通过量子硬件（或量子模拟器）执行的“量子前向”阶段，其输出不是确定值，而是通过多次测量得到的统计估计量。
这意味着流水线的每一次迭代都包含“量子采样—经典计算”的往返。以变分量子分类器（VQC）为例，一次训练迭代的典型流程是：把一批样本编码进量子态 → 在量子处理器上执行参数化线路 → 对每个样本重复测量 N 次（shots）→ 用测量频率估计期望值或概率 → 把估计值送入经典损失函数 → 用参数移位规则或有限差分计算梯度 → 优化器更新参数。整个过程在经典计算机与量子处理器之间反复往返，直到损失收敛。
二、核心组件
HQML 流水线的组件可以按“数据—量子—经典—评估”四层来理解：
- 数据编码层：把经典特征映射为量子态，常见方式有角度编码、振幅编码、IQP 编码等。编码方式直接决定量子线路能表达的函数空间。
- 量子线路层：由可训练参数门（如 RX、RY、RZ、CNOT）构成，负责构造参数化量子态。线路深度、纠缠结构和测量算符共同决定模型容量。
- 测量与估计层：通过多次采样估计期望值 ⟨ψ(θ)|O|ψ(θ)⟩，是连接量子态与经典损失的桥梁。这里会引入统计噪声，需要误差缓解。
- 经典优化层：包括损失函数、梯度估计方法（参数移位、有限差分、伴随法）和优化器（Adam、SPSA、COBYLA 等）。
- 评估与部署层：在验证集上评估模型，判断是否达到精度目标，并决定是否部署到推理流水线。
这五层不是简单串联，而是存在反馈回路：经典优化器更新参数后，必须重新回到量子线路执行，形成闭环。下图给出这条流水线的整体结构，重点表现“量子前向—经典反向”的往返关系，以及数据、参数、梯度、损失四类信息在组件之间的流动方向。
三、与经典机器学习流水线的差异
把 HQML 流水线与经典流水线并排看，差异集中在三个位置。第一，前向传播的“执行体”不同：经典模型在 CPU/GPU 上做确定性张量运算，HQML 则在量子处理器上做概率性测量，输出是估计值而非精确值。第二，反向传播的“梯度来源”不同：经典框架用自动微分沿计算图反传，HQML 通常用参数移位规则，对每个参数需要额外两次量子线路执行，梯度成本与参数量成正比。第三，资源瓶颈不同：经典流水线受显存和算力限制，HQML 还额外受量子比特数、线路深度、门保真度和采样次数限制。
这些差异带来一个直接后果：HQML 的训练循环通常比经典训练“更贵、更慢、更 noisy”。因此，流水线设计的第一原则不是追求最大线路深度，而是在当前硬件条件下找到“表达力—噪声—训练成本”的平衡点。
四、典型应用场景
HQML 目前更适合以下场景：小样本分类与回归（如量子化学性质预测、材料筛选）、组合优化（如 MaxCut、投资组合）、量子态识别与量子计量、以及作为经典模型的增强特征提取器。这些场景的共同点是：数据维度不高但结构复杂，经典模型难以找到合适核函数，而量子特征映射可能提供更自然的表示。
以一个二分类任务为例：假设有 200 个样本、每个样本 4 个特征，使用 4 量子比特的角度编码 + 两层强纠缠线路 + Pauli-Z 测量。每次迭代对每个样本测量 1024 次，batch size 取 20，则单次参数更新需要约 20×1024 次量子线路执行；若使用参数移位计算 16 个参数的梯度，量子调用次数还会成倍增加。这个量级说明：shots 和 batch size 的选择直接决定训练时间，是流水线调参的关键旋钮。
五、端到端流程概览
把上述内容串起来，一条可运行的 HQML 训练流水线大致按以下顺序推进：
- 准备经典数据集，划分训练/验证集，做归一化。
- 选择编码方式与量子线路结构，确定可训练参数数量。
- 初始化参数 θ，设定 shots、batch size、学习率和最大迭代次数。
- 对每个 batch：编码样本 → 执行量子线路 → 测量估计期望值 → 计算损失。
- 用参数移位或有限差分估计梯度，调用经典优化器更新 θ。
- 在验证集上评估，若损失不再下降或达到精度目标则停止。
- 固定 θ，把量子线路作为推理层部署，或导出为经典代理模型。