1. 课程导入与量子异常检测全景
异常检测的目标，是从大量正常样本中识别出偏离常规模式的少数样本。经典方法通常把样本映射为特征向量，再通过距离、密度、边界或重构误差来刻画“正常”。量子异常检测则把样本编码为量子态，利用希尔伯特空间中的内积、迹距离、纠缠与测量统计来完成同样的判断。理解这一转变，是后续模型开发与验证工作的起点。
核心对象与技术边界
本节需要先明确三个核心对象。第一是数据编码：经典向量 x 通过角度编码、振幅编码或 IQP 编码映射为量子态 |ψ(x)⟩，编码方式直接决定后续核函数与距离的可计算性。第二是异常评分：常见形式包括量子核与训练集态的重叠度、量子态之间的保真度或迹距离、以及变分电路重构后的测量期望值。第三是决策阈值：评分本身不是结论，必须结合验证集上的分布确定阈值，才能输出“正常/异常”标签。
技术边界同样需要提前划定。当前含噪声中等规模量子（NISQ）条件下，可用的量子比特数与电路深度有限，量子异常检测更适合处理中低维、结构化程度较高的特征，而不是直接吞入高维原始数据。多数实用方案采用“经典降维 + 量子编码 + 量子评分 + 经典阈值判定”的混合架构。此外，量子优势并非自动成立：当特征维度低、样本量小或核矩阵可被经典近似时，经典单类 SVM、孤立森林往往更稳定。因此课程中的模型开发必须始终保留经典基线作为对照。
与经典方法的本质差异
经典异常检测在原始特征空间中构造决策边界，计算复杂度主要随样本数和维度增长；量子方法把样本放入指数级维度的态空间，通过量子线路一次性处理叠加态，理论上可在特定核函数上获得计算或样本复杂度优势。但差异不止于速度：量子核的相似度由态的内积 |⟨ψ(x)|ψ(x')⟩|² 决定，其几何结构与欧氏距离不同，异常样本可能表现为与正常态“近正交”，也可能因编码电路纠缠结构而呈现非直观的相似性。这意味着阈值不能照搬经典模型的经验值，必须重新在量子评分空间中标定。
开发与验证的整体流程
上图给出的是本课程贯穿始终的框架，它由四条主线构成。第一条是数据主线：从原始特征出发，完成缺失值处理、标准化与降维，把维度压到量子比特数可承载的范围。第二条是编码主线：选择角度编码或振幅编码，把每个样本映射为参数化量子态，编码电路本身也是模型的一部分。第三条是评分主线：用正常样本构建参考态集合，对新样本计算核重叠或保真度，得到连续评分。第四条是验证主线：在独立验证集上标定阈值，计算 AUC、F1 与误报率，并与经典基线对照。
四条主线之间存在明确的反馈关系。若验证阶段发现评分分布重叠严重，问题往往不在阈值，而在编码电路表达能力不足或降维丢失了判别信息，此时应回到编码层调整纠缠层数与旋转门参数，而不是反复微调阈值。这种“评分—验证—编码迭代”的闭环，是量子异常检测开发区别于一次性训练的关键。
一个可执行的教学示例
假设我们处理一个 8 维的工业传感器特征集，正常样本 800 条，异常样本 40 条。先做标准化，再用主成分分析保留前 4 维，对应 4 个量子比特。采用角度编码：每个特征值归一化到 [0, π] 后作为 RY 门旋转角，并在相邻比特间加入 CNOT 形成纠缠层，重复两层。对每个新样本 x，计算其态与 800 个正常参考态的平均保真度：
s(x) = (1/N) * Σᵢ |⟨ψ(x)|ψ(xᵢ)⟩|², N = 800正常样本的 s(x) 通常集中在较高区间，异常样本因态方向偏离而显著下降。在验证集上扫描阈值 τ，选择使 F1 最大的取值，例如 τ = 0.62，此时若 s(x) < τ 判为异常。需要强调，上述数值为教学假设，实际项目中必须用真实运行结果替换，并记录所用后端、噪声模型与测量次数，否则评分不可复现。