1. 课程导入与全景认知

量子核方法（Quantum Kernel Methods）是把经典机器学习中“核技巧”的思想迁移到量子特征空间的一类算法框架。它的核心主张是：用参数化量子电路把经典数据 x 映射为量子态 |φ(x)⟩，再以两个量子态的内积 K(x, x') = |⟨φ(x)|φ(x')⟩|² 作为核函数，交给支持向量机、核岭回归或核PCA等经典学习器完成分类与回归。整个流程中，量子设备只负责“算核”，优化与决策仍由经典算法承担，因此它属于典型的量子—经典混合范式。

理解量子核方法，需要先厘清它与经典核的本质区别。经典核（如RBF核、多项式核）是人为指定的相似度函数，其几何含义隐含在解析式中，我们很难直接观察特征空间的结构；而量子核的相似度由量子态在希尔伯特空间中的重叠决定，特征空间维度随量子比特数 n 指数增长（2^n 维），并且核值可以通过量子电路测量直接获得。换句话说，经典核是“写出来的”，量子核是“算出来的”。这一差别带来两个后果：一是量子核可能表达经典核难以高效模拟的相似度结构；二是它的可解释性、噪声敏感性和可训练性都与经典核不同，需要专门的工程方法处理。

“分类工程”在本课程中指的是围绕分类任务，把量子核从数学定义落地为可运行、可评估、可复现系统的工程化过程。它的目标不是单纯追求某个数据集上的高准确率，而是建立一套可控的流程：数据如何编码、核矩阵如何计算与正则化、分类器如何训练与调参、噪声与硬件约束如何影响结果、以及如何与经典基线公平对比。具体而言，分类工程要回答四个问题：编码是否合适（特征映射与数据分布是否匹配）、核矩阵是否可用（是否正定、是否被噪声破坏）、分类器是否泛化（训练/验证误差与间隔）、代价是否可接受（电路深度、测量次数、经典后处理开销）。

从技术栈看，量子核方法可以分成五层：数据层（经典数据预处理、归一化、降维）、编码层（角度编码、振幅编码、IQP式特征映射）、量子计算层（量子电路构造、态制备、重叠测量，常用SWAP测试或逆电路法）、核处理层（核矩阵计算、对称化、正则化、条件数分析）、学习与评估层（SVM/核岭回归训练、交叉验证、与经典基线对比）。这五层之间是数据流关系：数据层输出归一化特征，编码层把特征变成电路参数，量子计算层输出核矩阵元素，核处理层修正矩阵，学习层消费矩阵并给出分类结果与指标。

学习路线图建议按“先经典、后量子、再工程”的顺序推进。第一阶段补齐经典核方法基础：理解核矩阵、Mercer条件、SVM对偶形式与核岭回归闭式解，能手动推导RBF核下支持向量的作用。第二阶段进入量子核的数学与电路：掌握特征映射 |φ(x)⟩ = U(x)|0⟩、重叠测量原理，以及SWAP测试中辅助比特测量概率与核值的关系。第三阶段做工程化实践：在模拟器上实现核矩阵计算，处理非正定与噪声问题，完成与RBF、多项式核的对比实验。第四阶段面向真实硬件：考虑退相干、门错误率、测量误差对核值的影响，学习误差缓解与核矩阵校正。第五阶段做综合项目：选择一个中等规模分类数据集，完成从编码设计到结果分析的完整闭环。

需要特别提醒的是，量子核并非天然优于经典核。当前阶段，它的价值更多体现在探索经典方法难以高效表达的相似度结构，以及在特定数据分布上可能出现的优势。因此，分类工程中必须坚持“经典基线先行”的原则：任何量子核实验都应同时报告RBF核或线性核的结果，并说明量子核在何种条件下带来增益、代价是多少。只有把量子核放回可比较、可复现的工程框架中，它才具有真正的学习与研究价值。