1. 混合计算工作流全景
量子经典混合科学计算，指的是把量子处理器（QPU）作为一类特殊加速器，与经典 CPU/GPU 集群协同完成一次科学计算任务的计算范式。它并不是"用量子计算机替代经典计算机"，而是把问题拆成两类子任务：一类是经典机器难以高效求解、但可映射为量子线路的部分，交给 QPU 执行；另一类是参数优化、线性代数、数据预处理、误差缓解与统计推断等，仍由经典机器承担。二者通过控制总线与数据通道反复交互，形成闭环。
理解这一范式，关键是抓住"谁负责什么"。量子侧通常只做三件事：制备量子态、施加参数化门序列、对指定可观测量做多次测量采样。经典侧则负责把科学问题离散化并映射为哈密顿量或代价函数、生成与更新线路参数、把测量得到的统计频率还原为期望值、再据此决定下一步参数。因此，混合工作流的性能瓶颈往往不在量子门速度，而在量子—经典往返次数、采样次数（shots）与经典优化迭代步数。
核心组件与端到端生命周期
一个完整的混合工作流通常包含六个组件：问题映射层、量子线路构造层、编译与调度层、QPU 执行层、测量与统计层、经典优化与后处理层。它们并非线性串联，而是围绕"参数更新"形成迭代回路。下面这张图给出了一次典型变分量子算法（VQA）任务的端到端数据流与信号链，其中实线表示数据/控制流，虚线表示参数回传。
图中最值得注意的是那条橙色虚线：经典优化器根据测量得到的期望值计算梯度或直接搜索，把新参数 θ' 回传给线路构造层，再触发下一轮执行。这个回路决定了混合工作流的实际耗时。以 4 量子比特的氢分子基态能量估计为例，若 ansatz 含 12 个可调参数、采用参数移位法求梯度，则每轮需要约 2×12=24 次线路执行，每次 4096 shots；若迭代 100 轮，总采样量约 107 次。这个量级说明：减少线路执行次数、提高单次采样信息利用率，往往比单纯提升量子门保真度更能改善端到端效率。
典型应用场景与选型判断
混合工作流目前主要落在四类场景。第一类是量子化学与材料，用 VQE 求分子基态能量，典型对象是 H2、LiH、小分子活性中心；第二类是组合优化，用 QAOA 求解 Max-Cut、投资组合、调度问题；第三类是量子机器学习，用参数化量子线路做分类或生成建模；第四类是量子模拟与动力学，用 Trotter 分解或变分时间演化模拟自旋链。判断一个问题是否适合混合范式，可以看三点：问题能否写成有限维哈密顿量的期望值最小化；ansatz 能否在浅层线路内表达目标态；经典优化能否在可接受迭代数内收敛。
一次可复现的最小工作流示例
下面给出一个可直接参照的配置样例，用于估计 H2 分子在键长 0.735 Å 处的基态能量。参数为教学示例设定，非实测结果。
问题：H2 基态能量（STO-3G，冻结 1s 核心）
量子比特数：4（Jordan-Wigner 映射后）
ansatz：UCCSD 截断，可调参数 3 个
测量算符：H = g0*I + g1*Z0 + g2*Z1 + g3*Z0Z1 + g4*X0X1 + ...
shots：8192 / 次线路执行
优化器：COBYLA，最大迭代 200，收敛阈值 1e-6 Ha
误差缓解：读出校正 + 对称性投影（粒子数守恒）
预期输出：E(θ*) ≈ -1.137 Ha（示例目标值，需实际运行确认）
执行时，经典侧先构造二次量子化哈密顿量并映射为泡利算符组合，再生成 UCCSD 线路；编译层把 CNOT 与旋转门映射到目标硬件拓扑；QPU 对每个泡利项分别测量，统计层把频率换算为期望值并加权求和得到 ⟨H⟩；优化器据此更新参数。判断是否成功，看三条：能量是否随迭代单调下降并趋于平台；最终能量是否低于 Hartree-Fock 参考值；粒子数是否守恒（对称性投影后应严格等于 2）。若能量震荡不收敛，优先检查 shots 是否过少、ansatz 是否表达力不足，而非直接归因于硬件噪声。
把上述流程抽象出来，混合工作流的生命周期就是"映射—构造—编译—执行—统计—优化"六步闭环，其中经典侧承担了绝大部分逻辑与数据量，量子侧承担了态空间指数级扩展的关键一步。理解这条分工线，是后续学习具体算法、误差缓解与资源估算的基础。