1. 课程导入与全景认知
欢迎进入《量子云计算任务提交与结果管理》课程。在动手写第一行提交代码之前，我们需要先建立一张"全景地图"：量子云计算到底在做什么？一个量子任务从被写下到拿到结果，中间经历了哪些环节？它与我们熟悉的经典云计算有何本质不同？本课程后续 29 章的所有操作，都将围绕这张地图展开。
一、量子云计算是什么：把量子处理器当作远程资源
量子云计算的核心思想非常朴素：量子处理器（QPU）是稀缺、昂贵、需要极低温环境的硬件，普通用户不可能人手一台。因此，云服务商把超导、离子阱、中性原子等量子后端接入云端，用户通过网络提交"量子任务"，由云端调度到真实硬件或模拟器上执行，再把测量结果返回给用户。用户本地只需要一台普通电脑和一套 SDK。
在这个模型里，有四个必须分清的核心概念，它们构成了本课程的概念骨架：
- 任务（Task）：最小提交单元，通常对应"一段量子线路 + 指定后端 + 执行次数（shots）"。任务有唯一 ID，可查询状态与结果。
- 作业（Job）：一次提交行为的整体，可能包含一个或多个任务（例如批量提交多条线路，或参数化线路的多组参数扫描）。作业是计费、排队和生命周期管理的单位。
- 后端（Backend）：任务实际执行的目标，可能是真实 QPU（如 127 比特超导设备），也可能是本地或云端的模拟器。后端决定了可用的比特数、连通拓扑、门集合、噪声水平和排队时长。
- 结果（Result）：任务执行后返回的数据，最典型的是测量计数的频次分布（counts），也可能包含概率分布、期望值、内存中的原始比特串等。
理解这四个概念的关键，是理解它们之间的层级与流向关系：作业包裹任务，任务绑定后端，后端产出结果。下图给出了一个量子任务从编写到结果回传的完整生命周期，以及各阶段用户可干预的位置。
二、与经典云计算的本质差异
如果只把量子云当成"另一种云服务器"，会在实践中踩很多坑。二者的差异不是性能高低，而是执行模型和结果语义的根本不同。下表列出最影响任务提交与结果管理的几组差异：
| 对比维度 | 经典云计算 | 量子云计算 |
|---|---|---|
| 执行单元 | 确定性程序，同样输入必得同样输出 | 量子线路 + shots，结果是统计分布，单次采样随机 |
| 结果形态 | 返回值、文件、数据库记录 | counts 频次字典、概率分布、期望值 |
| 资源约束 | CPU/内存/带宽可弹性伸缩 | 比特数、连通拓扑、门集合、相干时间硬约束 |
| 排队特征 | 通常秒级启动 | 真实 QPU 可能排队数分钟到数小时 |
| 噪声影响 | 基本可忽略 | 噪声直接改变结果分布，需误差缓解 |
| 可复现性 | 同代码同结果 | 需记录后端、校准时间、shots、转译种子才能近似复现 |
其中最关键的一点是结果的统计性。假设一条 2 比特线路理论输出应为 |00⟩ 和 |11⟩ 各 50%，设置 shots=1024，一次真实执行可能返回 {'00': 503, '11': 521}，另一次可能是 {'00': 512, '11': 512}。这不是程序出错，而是量子测量的固有随机性叠加硬件噪声。因此，判断结果是否正确，不能看"是否等于某个值"，而要看分布是否落在合理范围内，例如 00 与 11 的占比是否接近 0.5、是否出现了本不该出现的 01/10（噪声或线路错误的信号）。
三、一个最小可运行示例：看清输入与输出
下面用一段伪代码展示一次完整提交，帮助你把上面的生命周期落到具体对象上（参数为教学示例，非实测数据）：
from qcloud import Service, QuantumCircuit
svc = Service(token="YOUR_TOKEN")
backend = svc.get_backend("example_qpu_127q") # 选择后端
qc = QuantumCircuit(2)
qc.h(0) # 对 qubit 0 施加 Hadamard 门
qc.cx(0, 1) # CNOT 纠缠
qc.measure_all() # 测量全部比特
job = backend.run(qc, shots=1024) # 提交作业，返回 Job 对象
print(job.id()) # 例如 "job_7f3a..."
print(job.status()) # QUEUED / RUNNING / DONE
result = job.result() # 阻塞或轮询直到完成
counts = result.get_counts()
print(counts) # 示例：{'00': 503, '11': 521}
这段代码里，qc 是线路，backend 是后端，job 是作业，counts 是结果。提交前必须确认三件事：后端比特数是否够用、线路中的两比特门是否满足后端连通拓扑（不满足时需插入 SWAP 或让编译器自动转译）、shots 是否足以让统计误差可接受。shots 越大，频率越接近真实概率，但排队与执行成本也越高；一般教学与调试用 1024～4096，正式实验按精度需求提升。
四、课程整体框架与学习路径
本课程共 30 章，按"认知—提交—管理—结果—工程化"五个层次递进组织，你可以把它当作一条从入门到能独立完成量子云实验的路线：
- 认知层（第 1～4 章）：任务生命周期、核心概念、与经典云的差异、主流平台与 SDK 概览。目标是能画出任务流转图、说清四个核心概念。
- 提交层（第 5～12 章）：线路构建、后端选择与能力查询、shots 与参数设置、作业提交与批量提交、参数化线路扫描。目标是能独立提交一个可运行作业。
- 管理层（第 13～19 章）：作业状态轮询、超时与重试、队列与优先级、配额与成本控制、错误码识别。目标是能处理"提交了但拿不到结果"的常见问题。
- 结果层（第 20～26 章）：counts 解析、概率与期望值计算、误差缓解、结果可视化、结果归档与复现。目标是能判断结果是否可信。
- 工程化层（第 27～30 章）：批量实验编排、混合经典-量子工作流、可复现实验记录、综合实战。目标是形成可交付的实验流程。