1. 参数化量子电路入门

参数化量子电路（Parameterized Quantum Circuit，PQC）是当前量子机器学习、变分量子算法和量子优化等方向的核心构件。它的基本思想是：在量子电路中保留一组可调参数，这些参数决定某些量子门的旋转角度或相位，从而让电路的行为可以随参数变化而变化。与固定量子电路不同，PQC 不是一次性写死的逻辑线路，而是一个“可训练”的量子函数。

一、什么是参数化量子电路

一个量子电路通常由若干量子门按时间顺序作用于一组量子比特。如果电路中所有门都是固定的（例如只包含 Hadamard 门、CNOT 门、X 门等），那么给定输入态后，输出态是完全确定的，这类电路称为固定量子电路。固定电路适合实现已知的量子算法，如量子傅里叶变换、Grover 迭代等。

参数化量子电路则不同：它至少包含一个带参数的量子门，例如旋转门 RX(θ)、RY(θ)、RZ(θ)，或者受控旋转门 CRX(θ)。这里的 θ 是一个连续变量，可以在训练或优化过程中被调整。电路的整体变换因此可以写成 U(θ)，其中 θ 是参数向量。输入一个量子态 |ψ⟩，输出为 U(θ)|ψ⟩；如果后面接测量，则得到关于 θ 的期望值或概率分布。

从数学上看，PQC 定义了一个从参数空间到量子态空间（或测量结果分布）的映射。这个映射通常是非线性的，因为旋转角度以三角函数形式进入量子门矩阵。例如单比特旋转门：

RY(θ) = [[cos(θ/2), -sin(θ/2)],
         [sin(θ/2),  cos(θ/2)]]

当 θ 变化时，输出态在 Bloch 球上连续转动。多个参数门与纠缠门交替排列，就形成了表达能力更强的变分线路。

二、与固定量子电路的区别

固定量子电路和参数化量子电路的核心区别可以归纳为三点：

• 参数是否可变：固定电路的门参数是常数；PQC 的门参数是变量，通常记为 θ₁, θ₂, …, θₙ。
• 设计目标不同：固定电路追求实现某个确定的量子变换；PQC 追求通过调整参数来逼近目标函数、最小化损失或完成分类任务。
• 执行方式不同：固定电路一次运行即可得到确定结果；PQC 通常需要“参数更新—执行—测量—再更新”的迭代循环，属于混合量子-经典计算模式。

换句话说，固定电路是“写死的程序”，PQC 是“带旋钮的程序”。旋钮的取值由经典优化器根据测量反馈来调整。

三、参数在量子门中的表示方式

参数在量子门中通常以旋转角的形式出现。最常见的参数化门包括：

在代码框架中，参数通常以符号变量或数组形式传入。例如使用 Qiskit 时，可以这样构造一个含参电路：

from qiskit import QuantumCircuit
from qiskit.circuit import Parameter
import numpy as np

theta = Parameter('θ')
qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0, 1)
qc.ry(theta, 0)
qc.rz(theta, 1)
qc.cx(0, 1)
qc.measure_all()

这里 theta 是一个符号参数，实际运行时再绑定具体数值。一个 PQC 通常包含多个这样的参数，形成参数向量 θ = [θ₁, θ₂, …, θₙ]。

四、典型应用场景概览

参数化量子电路的应用主要集中在需要“学习”或“优化”的任务上：

• 变分量子特征求解器（VQE）：用于估计分子基态能量。PQC 作为试探波函数，参数由经典优化器调整，使能量期望值最小。
• 量子近似优化算法（QAOA）：用于组合优化问题。PQC 的层数和参数对应问题哈密顿量的演化时间。
• 量子机器学习：PQC 可作为量子神经网络层，用于分类、回归或生成任务。输入数据编码到参数或量子态中，输出测量结果用于计算损失。
• 量子核方法：利用 PQC 构造量子特征映射，将经典数据映射到高维希尔伯特空间。

这些场景的共同点是：目标函数难以直接解析求解，但可以通过调整 PQC 参数来逐步逼近最优解。PQC 提供了可训练的量子变换能力，而经典优化器负责参数更新，二者形成闭环。

五、一个最小可运行示例

下面给出一个完整的 PQC 训练片段，使用 Qiskit 和经典优化器最小化 <Z₀> 期望值。目标态是 |0⟩，因此最优参数应使测量结果偏向 0。

from qiskit import QuantumCircuit
from qiskit.circuit import Parameter
from qiskit.primitives import Estimator
from scipy.optimize import minimize
import numpy as np

theta = Parameter('θ')
qc = QuantumCircuit(1)
qc.ry(theta, 0)

estimator = Estimator()
observable = np.array([[1, 0], [0, -1]])  # Z 矩阵

def cost(x):
    job = estimator.run([qc], [observable], [x])
    return job.result().values[0]

res = minimize(cost, x0=[0.5], method='COBYLA')
print(res.x, res.fun)

运行后，优化器会把 θ 调整到接近 0 的位置，使 <Z₀> 接近 1。这个例子虽然简单，但完整展示了 PQC 的工作方式：定义含参电路、绑定参数执行、测量期望值、经典优化器更新参数、重复直到收敛。

总结来说，参数化量子电路把量子门中的旋转角变成可训练变量，使量子电路从“固定程序”变为“可学习模型”。它与经典优化器配合，形成了当前变分量子算法的主流范式。掌握 PQC 的定义、参数表示和典型应用，是后续学习参数化量子应用开发与工作流的基础。