1. 课程导入与Ansatz核心概念
变分量子算法（Variational Quantum Algorithm, VQA）是当前含噪中等规模量子（NISQ）时代最具工程可行性的算法框架之一。它的基本思路是：把量子线路中一部分参数交给经典优化器来调节，量子处理器只负责制备参数化量子态并测量期望值，经典计算机根据测量结果更新参数，如此循环，直到目标函数收敛。在这个"量子—经典"闭环中，被参数化的那部分量子线路就是变分电路 Ansatz（变分拟设）。
理解 Ansatz 的地位，可以用一个类比：如果变分量子算法是一台"学习机器"，那么 Ansatz 就是这台机器的假设空间。经典机器学习里，你选择线性模型还是神经网络，决定了模型能表达多复杂的函数；在 VQA 中，你选择什么样的 Ansatz，决定了参数化量子态能够覆盖希尔伯特空间中的哪一片区域。选得太窄，目标基态根本不在可达范围内，优化器再强也无济于事；选得太宽，参数维度爆炸、出现贫瘠高原（barren plateau），梯度指数级消失，训练同样失败。因此 Ansatz 的选型与设计，直接决定了 VQA 能否收敛、收敛到何处、以及需要付出多少量子资源。
Ansatz 在 VQA 中的角色定位
以变分量子本征求解（VQE）为例，完整流程包含四个环节：初态制备、Ansatz 作用、哈密顿量测量、经典参数更新。Ansatz 处于承上启下的位置——它接收一组参数向量 θ，把初始态 |ψ₀⟩ 变换为 |ψ(θ)⟩ = U(θ)|ψ₀⟩，随后测量得到能量期望值 E(θ) = ⟨ψ(θ)|H|ψ(θ)⟩。优化器的任务是在参数空间中寻找使 E(θ) 最小的 θ*。这里有一个关键认识：Ansatz 的结构决定了参数空间到量子态空间的映射方式，而这个映射是否"好走"，比优化算法本身往往更影响成败。
从数学上看，一个 Ansatz 通常写成若干参数化门与固定纠缠门的交替乘积：
U(θ) = ∏_{l=1}^{L} [ W_l · V_l(θ_l) ]
其中 V_l(θ_l) = ∏_k exp(-i θ_{l,k} P_k / 2)
W_l 为不含参数的纠缠层，P_k 为泡利串生成元层数 L、每层的参数化门类型、纠缠拓扑 W_l 的连线方式，构成了 Ansatz 设计的三个基本自由度。这三者的组合方式，正是后续章节要逐一展开的核心内容。
选型与设计要回答的基本问题
面对一个具体的物理或组合优化问题，设计者需要依次回答几个问题。第一，问题结构能否被利用：分子体系的哈密顿量具有粒子数守恒、自旋对称性等结构，硬件高效型 Ansatz 完全不考虑这些，而 UCC（幺正耦合簇）类 Ansatz 则把激发算符直接嵌入线路，天然保持对称性，初态也更接近目标态。第二，硬件约束有多强：当前超导芯片的连通度有限、双比特门保真度约在 99% 量级，若 Ansatz 的纠缠层需要大量非邻接 CNOT，就必须插入 SWAP 网络，线路深度和噪声会迅速累积。第三，可训练性如何保障：参数初始化策略、是否采用问题启发式的分层结构、是否需要引入局部代价函数来缓解梯度消失，都要在选型阶段一并考虑。
这三个问题并非彼此独立，而是相互牵制。下图给出了 Ansatz 设计中的核心权衡关系：问题结构、硬件约束与可训练性三者共同约束了可选 Ansatz 的范围，而具体的结构选择又反过来影响资源开销与收敛表现。
课程路线图与学习路径
本课程共 30 章，围绕"概念—结构—设计—评估—实践"的主线展开。开篇部分建立 Ansatz 的定义与角色认知，明确它与假设空间、参数化量子态的对应关系；随后进入结构分类，系统梳理硬件高效型 Ansatz（如硬件高效拟设 HEA）、问题启发型 Ansatz（如 UCC、量子交替算符拟设 QAOA 的混合层结构）、以及张量网络启发的 Ansatz（如 MERA 型、树状结构），并对比它们在表达能力、参数规模与硬件友好度上的差异。
设计环节是课程的重心。我们会具体讨论纠缠层的拓扑选择——线性链、环形、全连接各自适合什么场景；参数化门的选取——单轴旋转 RY/RZ 与任意 SU(2) 门的表达力差异；层数 L 与参数维度如何随问题规模缩放；以及如何利用问题哈密顿量的对易结构做分层初始化。评估环节则聚焦可训练性分析：如何通过梯度方差估计判断是否出现贫瘠高原，如何用局部可观测量构造代价函数，如何借助经典模拟在小规模上预筛 Ansatz 结构。
最后一部分是工程实践与案例。我们会以具体的小分子基态能量估计和组合优化问题为例，给出从哈密顿量构造、Ansatz 选型、参数初始化到优化器配置的完整流程，并讨论在真实含噪设备上如何通过线路编译、测量分组和误差缓解来保住 Ansatz 的理论优势。需要说明的是，课程中出现的数值示例均为教学假设或合理估算，用于说明方法与判断依据，不代表特定硬件上的实测结果。