1. 课程导入与量子回归问题界定

在经典机器学习中，回归任务的目标是学习一个从输入特征 x 到连续输出 y 的映射函数 f(x)，使得在给定数据分布上预测误差最小。量子回归模型（Quantum Regression Model, QRM）把这一任务放到量子态与量子线路的框架下重新表述：输入不再只是实数向量，而是被编码为量子态；模型参数不再只是权重矩阵，而是量子门的角度或相位；输出则通过对量子态进行测量得到期望值，再映射回连续数值。理解这一转换，是后续所有设计与分析工作的起点。

核心对象：三个层次

量子回归模型的核心对象可以拆成三个层次。第一层是数据编码，即如何把经典特征 x 映射为量子态 |φ(x)⟩，常见方式包括角度编码、振幅编码和基编码。第二层是参数化量子线路，由一系列含参量子门构成，记作 U(θ)，它作用在编码态上产生可训练的量子态 |ψ(x;θ)⟩ = U(θ)|φ(x)⟩。第三层是测量与读出，通常对某个可观测量 O 求期望值 ⟨ψ(x;θ)|O|ψ(x;θ)⟩，再经过线性或非线性后处理得到预测值 ŷ。这三层共同决定了模型的表达能力与训练行为。

与传统回归的本质区别

最直观的差别在于假设空间的形式。经典线性回归的假设空间是参数 W 的线性函数族，模型容量由特征维度与正则化控制；量子回归的假设空间由量子线路的幺正变换诱导，其输出是量子态在可观测量上的期望值，天然带有三角函数与高维希尔伯特空间的结构。这意味着同样的参数数量下，量子模型可能表达更复杂的非线性关系，但也更难解释每个参数的作用。

第二个差别是梯度的获取方式。经典模型可以直接对损失函数求解析梯度；量子线路中参数以量子门角度出现，无法直接读取中间态，通常采用参数移位规则（parameter-shift rule）估计梯度：对某个参数 θ_i，用 θ_i + π/2 与 θ_i − π/2 两次线路运行的结果差分近似导数。这带来额外的线路执行开销，也是量子回归训练成本高于经典回归的重要原因。

第三个差别是测量带来的统计噪声。期望值 ⟨O⟩ 需要通过有限次采样估计，采样数 N 越大估计越准，但方差按 1/N 下降。因此量子回归的损失曲面本身带有随机性，优化过程需要在采样精度与训练速度之间权衡。

学习目标与整体框架

本课程的学习目标可以概括为四条主线：其一，能根据任务特点选择合适的编码方式与可观测量；其二，能设计并实现参数化量子线路，理解其表达能力与训练难点；其三，能完成从数据预处理、线路构建、损失定义到参数优化的完整训练闭环；其四，能对训练结果做误差分解与可靠性判断，区分统计噪声、优化停滞与模型容量不足三类问题。

整体框架上，后续章节将沿着“问题界定—编码设计—线路构造—训练优化—结果分析”的路径展开。本节先建立一个可操作的示例，帮助读者形成对输入输出关系的具体感知。假设我们要拟合一个一维函数 y = sin(2x)，取 20 个采样点，特征归一化到 [0, π]。采用单量子比特角度编码：|φ(x)⟩ = R_y(x)|0⟩；线路取 U(θ) = R_y(θ_1)R_z(θ_2)；可观测量取 Z。则预测值为：

ŷ(x; θ) = ⟨0|R_y†(x) U†(θ) Z U(θ) R_y(x)|0⟩
         = cos(x) · cos(θ_1) · ... （具体展开依赖门序）

这里不追求公式的完整展开，而要强调一个关键认识：编码门与可训练门共同决定了输出的函数形式。如果编码方式选得不当，比如把 x 编码进一个与可观测量对易的门，那么无论怎么训练 θ，输出对 x 的依赖都可能被削弱，模型就会表现出“训练损失降不下去”的假象。这正是后续编码设计章节要重点解决的问题。

一个可执行的起点

为了让“问题界定”落到可操作层面，可以用下面的最小实验作为本课程的起点任务：准备 20 组 (x, y) 样本；固定编码为 R_y(x)；线路含两个可训练参数；损失取均方误差；每个参数梯度用参数移位规则估计，移位量取 π/2；每次期望值采样 1024 次；学习率取 0.1，迭代 100 步。运行后观察三条曲线：训练损失随迭代的变化、预测值与真实值的对比、以及同一参数下重复采样时预测值的波动幅度。前两条判断是否收敛，第三条判断统计噪声是否已经大到掩盖参数更新的效果。若损失下降但预测曲线明显抖动，应优先提高采样数；若损失长期不降，则应回头检查编码与可观测量的匹配关系，而不是盲目增加迭代次数。

需要说明的是，上述参数与数值均为教学示例设定，用于说明流程与判断依据，并非某次实际运行的实测结果。读者在自己的环境中复现时，应根据所用框架的默认设置与硬件噪声水平做相应调整。把这一最小闭环走通，就具备了进入后续编码设计、线路构造与结果分析章节的实践基础。