1. 量子神经网络概览

量子神经网络（Quantum Neural Network, QNN）是把量子计算的可逆酉演化、叠加与纠缠等特性，与经典神经网络的可训练参数化思想结合起来的一类模型。它并不是“用量子计算机去跑一遍经典神经网络”，而是把可训练参数直接编码进量子门的角度、相位或哈密顿量系数中，让量子线路本身成为一个带参数的函数逼近器。理解这一点，是后续所有建模与优化工作的起点。

从形式上看，一个典型的参数化量子线路（Parameterized Quantum Circuit, PQC）可以写成：先制备一个初态，例如全零态经过一层 Hadamard 门得到均匀叠加态；再施加若干含参酉门 U(θ)；最后对指定量子比特做测量，得到期望值作为输出。若记输入数据为 x，可训练参数为 θ，则模型输出可抽象为 f(x, θ) = ⟨0|U†(x, θ) O U(x, θ)|0⟩，其中 O 是测量算符。这个表达式与经典神经网络 y = f(W, x) 在“输入—参数—输出”的结构上相似，但内部运算发生在复数域与希尔伯特空间中。

从发展脉络看，量子神经网络大致经历了三个阶段。早期（20 世纪 90 年代末至 2000 年代初）以量子联想记忆、量子感知机为代表，重点在于证明“量子版本”的可行性；中期（2010 年前后）随着变分量子算法（VQA）和量子近似优化算法（QAOA）的提出，QNN 被重新定位为含噪中等规模量子（NISQ）设备上的实用算法框架；近期（2018 年至今）则与量子机器学习深度融合，出现了量子卷积神经网络、量子图神经网络、量子生成模型等分支，并开始讨论“量子优势”在何种数据分布与任务规模下才可能出现。

与经典神经网络相比，本质差异主要体现在四个方面。第一，状态空间不同：经典网络在实数向量空间传播，QNN 在复数希尔伯特空间中演化，n 个量子比特可同时表示 2ⁿ 个基态的叠加。第二，运算性质不同：经典网络依赖矩阵乘法与非线性激活，QNN 依赖酉变换，酉变换天然可逆、保内积，因此“非线性”必须通过测量、重复编码或引入辅助比特来间接实现。第三，参数更新方式不同：经典网络用反向传播精确求梯度，QNN 常用参数移位规则（parameter-shift rule）估计梯度，例如对 Rᵧ(θ) 门，其导数可由 [f(θ+π/2) − f(θ−π/2)]/2 得到，需要两次额外线路执行。第四，资源与噪声特性不同：QNN 受量子比特数、门深度、退相干与读出误差限制，当前更适合小规模、结构化、经典方法难以高效处理的任务。

典型应用场景可以归纳为几类。其一是量子化学与材料模拟，例如用变分量子本征求解器（VQE）估计分子基态能量，输入是分子哈密顿量，输出是能量期望值。其二是组合优化，例如 MaxCut 问题中用量子近似优化算法构造参数化线路，目标是最小化哈密顿量期望。其三是量子机器学习任务，包括量子态分类、量子数据降维、量子生成对抗网络等。其四是与经典模型混合的量子—经典混合架构，例如经典网络提取特征、量子线路做分类头，或量子线路做特征映射、经典网络做后处理。

本课程的整体路线图按“基础—建模—优化—应用”推进。前几章先建立量子计算与神经网络的基础语言，包括量子比特、量子门、测量、期望值、参数化线路与损失函数；随后进入建模部分，讨论数据编码方式（角度编码、振幅编码、IQP 编码等）、线路结构设计（强纠缠层、硬件高效 ansatz、问题启发 ansatz）以及如何把具体任务映射为 QNN；再进入优化部分，重点讲解梯度估计、贫瘠高原（barren plateau）、参数初始化、优化器选择与噪声缓解；最后通过若干案例把建模与优化串起来，形成可复现的完整工作流。

为了便于后续章节对照，这里给出一个最小可运行的 QNN 示例结构（以 2 量子比特、角度编码为例）：

输入数据 x = [x1, x2]
初态: |00⟩
编码层: Rᵧ(x1) on q0, Rᵧ(x2) on q1
可训练层: Rᵧ(θ1) on q0, Rᵧ(θ2) on q1, CNOT(q0, q1)
测量: ⟨Z0⟩, ⟨Z1⟩
输出: y = (⟨Z0⟩ + ⟨Z1⟩) / 2
损失: L = (y − y_target)²
梯度: 对 θ1 使用参数移位规则，需执行 θ1±π/2 两条线路