1. 课程导入与VQC定位

变分量子分类器（Variational Quantum Classifier，VQC）是量子机器学习中最具工程可落地性的一类模型。它的基本思想并不复杂：用一个带可调参数的量子线路作为“特征映射+判别函数”，把经典数据编码到量子态上，再通过测量得到分类输出，最后借助经典优化器不断调整线路参数，使分类误差下降。它既不是纯量子的黑箱算法，也不是经典神经网络的简单替换，而是“量子线路负责表达、经典优化负责训练”的混合计算范式。

要理解VQC在量子机器学习中的位置，可以先看整个领域的谱系。量子机器学习大致分为两类：一类是假设量子计算机可以直接处理量子数据、以量子算法获得指数级加速的“全量子”路线，例如量子支持向量机、量子主成分分析；另一类是当前含噪中等规模量子（NISQ）设备上更现实的“变分”路线，包括变分量子本征求解器（VQE）、量子近似优化算法（QAOA）以及本节要讲的VQC。VQC属于变分量子算法家族中的监督学习分支，其典型结构由数据编码线路、可训练拟设线路和测量读出三部分组成，训练过程依赖经典优化器在参数空间中搜索。

从图中可以看到，VQC与经典分类器最本质的差别在于“假设空间”的构造方式。经典分类器通常在欧氏空间中用权重矩阵和激活函数构造判别边界；VQC则把输入映射到希尔伯特空间中的量子态，用参数化量子门构成的酉变换来定义判别函数。这种表达方式在特定数据结构上可能具备更强的表达能力，但代价是每次前向计算都需要在量子设备上执行线路并多次采样测量，训练成本明显更高。

与经典分类器相比，VQC有几个需要提前建立的工程认知。第一，VQC的输出不是确定值，而是测量期望值的统计估计，必须通过多次重复采样（shots）来降低方差，这会直接影响训练稳定性。第二，VQC的参数量通常远小于深度神经网络，但参数空间的优化地形可能更复杂，存在贫瘠高原（barren plateau）现象，梯度会随量子比特数增加而指数衰减。第三，VQC的性能高度依赖数据编码方式，角度编码、振幅编码、IQP编码等不同方案对线路深度和表达能力的权衡差异很大。因此，学习VQC不能只停留在“会调库”，而要理解编码、拟设、测量、优化四个环节之间的耦合关系。

本课程的目标是让学习者具备独立开发和调试VQC的工程能力。学习路径按“概念—工具—实现—调优—评估”逐层推进：先建立VQC的形式化描述与混合训练框架，再熟悉主流量子编程框架（如Qiskit、PennyLane）中线路构建与梯度计算的基本用法，随后动手实现一个完整的二分类VQC，包括数据预处理、编码线路设计、拟设选择、损失函数定义和优化器配置，最后进入噪声模拟、超参数调优与性能评估阶段。每一章都会围绕一个可执行的小目标展开，避免只讲概念不落地。

为了给后续章节建立统一的参照，这里先给出VQC的标准数学形式。设输入样本为 \(x \in \mathbb{R}^d\)，编码线路为 \(U(x)\)，可训练拟设为 \(W(\theta)\)，则量子态为 \(|\psi(x,\theta)\rangle = W(\theta)U(x)|0\rangle^{\otimes n}\)。对某个可观测量 \(O\) 测量得到期望值 \(f(x,\theta)=\langle\psi(x,\theta)|O|\psi(x,\theta)\rangle\)，再通过阈值或softmax映射为分类结果。训练目标是最小化经验风险 \(\mathcal{L}(\theta)=\frac{1}{N}\sum_i \ell(f(x_i,\theta), y_i)\)。这个形式贯穿全课程，后续讨论的编码方案、拟设结构、梯度方法和噪声影响，都是在这个框架下展开的。

需要强调的是，VQC并不是“量子版神经网络”的简单类比。它的优势场景目前集中在中小规模、结构化特征、经典方法难以高效处理的特定任务上，例如量子化学特征分类、量子态判别以及部分组合优化问题的启发式求解。对于普通表格数据分类，经典梯度提升树或小型神经网络往往仍是更稳妥的基线。因此，本课程在讲解VQC实现的同时，也会反复强调基线对比与适用边界判断，帮助学习者在真实项目中做出合理的技术选型，而不是盲目追求量子化。