1. 混合量子经典网络训练流水线概览

混合量子经典网络（Hybrid Quantum-Classical Network，HQCN）并不是把量子电路简单塞进神经网络，而是让两类计算单元在训练中形成明确分工：量子层负责在指数级增长的希尔伯特空间中构造可参数化的量子态并测量出期望值，经典层负责把这些测量结果当作普通实数特征，完成线性变换、非线性激活、损失计算与梯度更新。理解这条流水线，关键不在于记住某个框架的 API，而在于看清"数据在哪里变成量子态、梯度在哪里被估计、参数由谁更新"这三条边界。

一、基本组成与交互边界

一个典型的 HQCN 由四段构成。第一段是经典预处理：把原始特征（如图像像素、分子描述符）压缩或编码成适合量子线路输入的维度，常见做法是降维到 n_qubits 个分量，并归一化到角度编码可接受的范围。第二段是量子层：由数据编码门（如 RY(x_i) 或振幅编码）和可训练变分门（如 RX(θ)、CNOT 组成的强纠缠层）交替堆叠，末端对每个量子比特测量 Pauli-Z 期望值。第三段是经典后处理：把测量得到的期望值向量送入全连接层或注意力模块。第四段是优化器：根据损失对量子参数与经典参数分别求梯度并更新。

交互边界只有两处，必须严格区分。其一是前向边界：经典数据以实数数组进入量子线路，量子线路以期望值实数数组返回，中间不存在可微的"量子张量"直接参与经典反向传播。其二是反向边界：量子参数的梯度不能由经典自动微分直接穿透，需要通过参数移位规则（parameter-shift rule）在量子设备上额外执行线路来估计；经典参数的梯度则由常规反向传播获得。这条"前向实数、反向分离估计"的边界，是整条流水线设计的核心约束。

二、端到端训练流程的全局认知

把上述组件串起来，一次完整的训练迭代包含以下环节，且顺序不可随意调换：

1. 取批数据并预处理：从数据集中取一个 batch，例如 32 条样本，每条经 PCA 或自编码器降到 4 维，缩放到 [−π, π] 区间，得到形状为 (32, 4) 的实数矩阵。
2. 量子前向：对每条样本构造 4 比特线路，先做角度编码，再施加 L 层变分层，每层含 4 个 RY(θ) 与环形 CNOT 纠缠。末端测量 4 个 ⟨Z_i⟩，得到 (32, 4) 的期望值矩阵。若使用 shots=1024，每个期望值带有统计噪声。
3. 经典前向与损失：期望值矩阵送入一个 4→8→1 的全连接网络，输出预测值，与标签计算均方误差或交叉熵，得到标量损失 L。
4. 梯度估计：经典部分用反向传播得到 ∂L/∂w；量子部分对每个可训练参数 θ_k 执行参数移位，即分别把 θ_k 加上和减去 π/2 各跑一次线路，用 (L(θ_k+π/2) − L(θ_k−π/2))/2 估计该分量的梯度。参数总数为 4×L，因此每步需要约 2×4×L 次额外线路执行。
5. 参数更新：优化器（如 Adam，学习率 0.01）同时更新经典权重 w 与量子角度 θ，进入下一批。

这里有一个容易被忽略的工程细节：由于量子梯度是估计值而非解析精确值，且受 shots 采样噪声影响，量子侧的学习率通常要比经典侧更保守。实践中常见做法是给量子参数单独设置较小的学习率（例如经典侧 1e-3、量子侧 5e-3 到 1e-2 之间按任务调整），或对梯度做滑动平均以抑制噪声。判断训练是否正常，可以观察三条曲线：训练损失是否单调下降、量子梯度范数是否长期接近零（若接近零，可能是贫瘠高原）、以及验证集准确率是否随训练轮次提升。

三、一个可对照的最小示例

假设任务是二维二分类，采用 2 比特线路：编码层为 RY(x_1) 作用于 q0、RY(x_2) 作用于 q1；变分层为 RY(θ_1)、RY(θ_2) 加一个 CNOT(q0,q1)；测量 ⟨Z_0⟩ 与 ⟨Z_1⟩。经典侧是一个 2→1 的线性层加 sigmoid。此时量子可训练参数只有 2 个，每步梯度估计只需 4 次额外线路执行，非常适合在模拟器上验证流水线是否打通。可先固定 shots=None（解析期望）跑通，再切换到 shots=1024 观察损失曲线的抖动幅度，以此建立对采样噪声的直观认识。

需要强调的是，混合流水线的性能瓶颈往往不在量子线路本身，而在量子与经典之间的往返次数。参数移位规则使梯度估计的线路执行次数随参数数量线性增长，因此控制可训练量子参数规模、合理设置 shots、以及在模拟器阶段先用解析梯度验证正确性，是让整条流水线可训练、可复现的基本前提。