3. 经典计算基础速览

量子经典混合工作流并不是“量子处理器单独完成计算”，而是把量子设备当作一类特殊加速器，嵌入到经典计算系统之中。量子线路的编译、参数更新、测量结果统计、误差缓解、任务调度，几乎全部由经典计算承担。因此，理解经典计算基础，实际上是在理解混合工作流的“地基”：高性能计算（HPC）提供算力与资源调度，并行计算提供吞吐与扩展方式，数值优化提供参数搜索与收敛机制，经典机器学习提供模型表达与数据驱动能力。四者并非并列罗列，而是分别对应混合循环中的不同环节。

HPC：混合工作流的运行环境与资源底座

在真实系统中，量子处理器通常通过控制电子学、低温环境与经典服务器相连。经典侧需要完成脉冲调度、波形生成、读出信号采集与实时反馈。以超导量子比特为例，一次采样往往涉及微波脉冲下发、量子门执行、读出谐振腔信号解调与数字化，再由经典程序统计出 |0⟩ 与 |1⟩ 的计数。若线路含 20 个量子比特、每个比特 1024 次采样，单次任务就产生约 2 万个测量结果；若参数扫描有 100 个点，数据量迅速上升到百万级。HPC 的价值在于：用作业调度器（如 Slurm）把不同参数点分发到多节点，用高速网络汇聚结果，并用共享存储保存中间态与最终统计。

一个典型的混合任务提交可以抽象为如下结构：

# 示例：Slurm 批量提交参数扫描任务（示意）
# 假设 run_vqe.py 接收 --theta 参数并输出能量估计
for i in $(seq 0 99); do
  theta=$(python3 -c "print(0.01*$i)")
  sbatch --job-name=vqe_$i \
         --cpus-per-task=4 \
         --mem=8G \
         run_vqe.py --theta $theta --shots 4096
done

这里的关键不是命令本身，而是资源映射关系：每个参数点对应一个独立作业，CPU 核数决定经典模拟或后处理的并行度，内存决定能否缓存中间波函数或测量统计，作业数组则决定整体吞吐。若把量子处理器看作“远端加速器”，HPC 就是负责排队、分发、回收与容错的调度中枢。

并行计算：把混合循环拆成可并行的粒度

混合工作流中常见的并行粒度有三类。第一类是参数级并行：不同参数组合之间相互独立，可同时提交到多个量子任务或模拟器实例。第二类是采样级并行：同一线路需要大量 shots，可拆成多个批次并行执行，再合并计数。第三类是线路级并行：在变分算法中，计算梯度需要对不同参数方向分别执行线路，这些线路可并行求值。

并行并不总是越快越好。若量子设备本身是串行队列，参数级并行只会增加排队深度；若经典后处理成为瓶颈，采样级并行会把压力转移到 CPU。因此，实际做法是先测量“量子执行时间 / 经典处理时间 / 通信时间”三者比例，再决定并行策略。例如，当量子执行占 70%、经典后处理占 20%、通信占 10% 时，优先增加量子任务并发度；当经典后处理占 60% 时，应优先优化测量统计与梯度计算代码，而不是继续堆量子任务。

数值优化：驱动变分参数收敛

变分量子算法（VQE、QAOA）的核心是一个经典优化循环：量子线路制备参数化态 |ψ(θ)⟩，测量得到期望值 E(θ)，经典优化器根据 E(θ) 更新 θ，直到收敛。这里的目标函数通常不是解析表达式，而是带噪声的采样估计，因此优化器选择与梯度估计方式直接影响收敛质量。

以 VQE 为例，若采用参数移位规则（parameter-shift rule）计算梯度，对单个参数 θ_i 需要两次额外线路执行：

# 参数移位梯度估计（示意）
# E(theta) 由量子线路测量得到
grad_i = (E(theta_i + pi/2) - E(theta_i - pi/2)) / 2

若参数个数为 p，则每轮梯度计算需要 2p 次线路执行。对于 p=20、每轮 4096 shots 的任务，单轮梯度采样约 40 次线路执行、16 万次测量。此时优化器的选择就变得关键：SPSA 只需两次函数评估即可估计全部参数方向，适合噪声大、参数多的场景；BFGS 收敛快但需要完整梯度，适合参数少、噪声低的场景；COBYLA 不依赖梯度，适合目标函数不平滑的情况。实际教学中可以这样判断：先看参数规模，再看噪声水平，最后看每次函数评估的成本。

经典机器学习：从数据中提取可复用模式

经典机器学习在混合工作流中有两类典型作用。第一类是替代模型：用量子任务的历史输入输出训练一个回归模型，预测新参数点的能量或保真度，从而减少真实量子执行次数。第二类是误差缓解与结果分类：用测量统计训练分类器，区分真实信号与噪声，或对读出结果进行校正。

例如，在量子态分类任务中，可以先用经典神经网络对测量计数向量进行预处理，再把特征输入量子线路或直接输出分类结果。此时经典模型承担的是“特征提取 + 后处理”角色，量子线路承担的是“高维空间映射”角色。两者通过共享参数或串联结构耦合，形成量子-经典联合模型。

四类支撑能力的协同关系

把上述内容放在同一张图中，可以更清楚地看到它们在混合循环中的位置：HPC 提供运行环境与调度，并行计算决定任务如何拆分与汇聚，数值优化负责参数更新，经典机器学习负责模式提取与后处理。四者共同支撑量子线路的执行与迭代。

从工程角度看，这四类能力并不是“先学完再用”，而是在同一个循环中交替出现。一个可运行的混合任务通常先由 HPC 分配资源，再由并行策略决定任务拆分方式，量子线路执行后把测量结果送回经典侧，数值优化器据此更新参数，经典机器学习模块则对结果做平滑、校正或预测。理解这条链路，才能在后续章节中判断：什么时候该增加量子采样，什么时候该优化经典后处理，什么时候该换优化器或引入替代模型。