1. 课程导入与全景认知

在经典机器学习中，生成模型的目标是学习数据分布 p_data(x)，并从中采样出新的样本。量子生成模型把这一目标搬到量子态与量子线路的框架下：它要学习或直接构造一个量子态 |ψ(θ)⟩，使其测量统计分布逼近目标分布，或者利用量子线路的采样能力生成经典数据。这里的“采样”不是简单的随机数生成，而是从量子线路末态经过测量得到比特串的过程，其概率由线路结构、参数和测量基共同决定。

因此，本课程讨论的对象可以拆成三层：表示层（用什么量子态或线路结构表达分布）、训练层（如何调整参数使分布逼近目标）、采样层（如何从训练好的模型中稳定、高效地获得样本）。三者缺一不可，而“采样工程”正是把第三层从理论可行性变成可重复、可评估、可部署的工程实践。

技术边界：能做什么，不能做什么

量子生成模型并不是“量子版GAN”或“量子版扩散模型”的简单替换。它的能力边界由量子力学的基本约束决定。首先，量子态不可克隆，意味着不能像经典模型那样随意复制中间表示；其次，测量会坍缩，采样一次只能得到一个比特串，无法直接读取完整概率分布；第三，当前量子硬件受噪声、退相干和连通性限制，线路深度和比特数都有实际上限。

这些约束决定了量子生成模型的典型适用场景：需要从高维、强关联分布中采样，例如量子化学中的分子构型采样、组合优化中的解空间采样、以及量子机器学习中的隐变量建模。相反，如果目标分布本身可以用经典模型高效表达和采样，量子方案通常没有优势。判断标准不是“量子是否更快”，而是“目标分布是否具有量子结构，或者经典采样是否遇到指数级障碍”。

核心挑战：从理论到工程的四个断层

第一个断层是表达能力与可训练性的矛盾。线路太浅，表达不了复杂分布；线路太深，梯度消失或噪声淹没信号。第二个断层是损失函数与评估代价。许多量子生成模型需要估计概率或似然，而每次估计都要多次测量，采样成本随精度要求平方增长。第三个断层是模式坍塌与采样偏差。参数化线路可能只覆盖目标分布的部分区域，测量基选择不当也会引入系统性偏差。第四个断层是硬件噪声与采样保真度。读出错误、门错误和串扰会直接改变输出分布，使训练目标与真实采样结果脱节。

典型应用场景

在量子化学中，生成模型可用于学习分子基态或激发态的电子密度分布，采样得到低能构型；在组合优化中，量子采样器（如量子退火或QAOA）被用来从解空间中采样高质量解；在量子机器学习中，生成模型可作为隐变量模型，学习数据集的量子嵌入表示。此外，在金融衍生品定价、物流路径规划等场景中，量子采样工程关注的是如何在有限测量次数下获得低偏差、低方差的样本估计。

需要强调的是，这些场景的共同点是：目标分布具有高维、强关联或经典采样困难的特征。如果目标分布是简单的独立分布或低维分布，量子方案通常不会带来实际优势。因此，在课程后续章节中，我们会反复回到一个判断问题：这个采样任务是否真的需要量子资源？

学习路线图

本课程共30章，整体分为四个阶段。第一阶段（第1–6章）建立基础：量子态、测量、参数化线路、采样统计与损失函数。第二阶段（第7–15章）进入核心模型：量子GAN、量子玻尔兹曼机、量子扩散模型、量子隐变量模型等。第三阶段（第16–24章）聚焦采样工程：测量基优化、读出校正、噪声感知训练、采样方差控制与评估指标。第四阶段（第25–30章）面向综合实践：端到端案例、硬件部署、性能对比与工程复盘。

学习过程中，建议始终维护一份“采样工程日志”，记录每次实验的目标分布、线路结构、参数规模、测量次数、采样结果与偏差评估。下面给出一个可直接使用的日志模板示例，字段可根据具体任务调整。