1. 课程导入与基准数据集设计总览
量子机器学习（Quantum Machine Learning, QML）正处在从“算法构想”走向“可比较工程”的关键阶段。一个算法在论文中报告了 98% 的分类准确率，这个数字本身几乎没有意义——除非我们知道它是在什么数据上、用什么预处理、与什么基线、在多少采样次数（shots）下得到的。基准数据集正是把这些隐含条件固定下来、让不同团队的结果可以放在同一把尺子上度量的基础设施。本节作为全课程的开篇，先厘清量子机器学习基准数据集的核心概念、设计目标，并给出贯穿后续 29 节的整体框架。
什么是量子机器学习基准数据集
基准数据集不是“一堆样本的集合”这么简单。在 QML 语境下，它是一套受控的评估契约，至少包含四个层次：
- 数据层：原始样本、标签、划分方式（训练/验证/测试），以及固定的随机种子。
- 编码层：经典数据如何映射为量子态，例如角度编码、振幅编码、IQP 编码，以及归一化与特征缩放约定。
- 模型与训练层：允许的电路模板、参数初始化分布、优化器、学习率、迭代轮数与 shots 数。
- 度量层：准确率、损失、泛化差距、电路深度、门数、训练墙钟时间、采样开销等指标的定义与统计方式。
只有这四层都被明确记录，一个“基准”才具备可复现性。很多早期 QML 论文的争议，恰恰源于编码层和度量层被省略：同样的数据集，振幅编码与角度编码得到的表达能力差异巨大，而报告者往往只写了“使用 Iris 数据集”。
设计目标：为什么不能直接搬用经典基准
经典机器学习已有 MNIST、CIFAR-10、ImageNet 等成熟基准，但直接搬用会带来两个错配。第一是规模错配：当前含噪声中等规模量子（NISQ）设备只有几十到上百个量子比特，且受门保真度与相干时间限制，无法承载高维图像。第二是结构错配：QML 的潜在优势被认为来自特定数据分布（如可由浅层量子电路生成、具有周期性或纠缠结构的数据），而自然图像并不天然具备这些性质。
因此，QML 基准数据集的设计目标可以归纳为四条：
- 可复现：数据划分、编码、初始化、shots 全部版本化，任何人按记录可重跑并得到统计一致的结果。
- 可比较：同时提供经典基线（如逻辑回归、小型 MLP、SVM）与量子基线，避免“只和自己比”。
- 有区分度：任务难度应落在量子模型“既非平凡可解、也非完全不可学”的区间，能暴露模型差异。
- 可扩展：提供从小规模（4–8 比特，可模拟器验证）到中规模（16–20 比特，需真机或张量网络模拟）的梯度版本，支持规模趋势研究。
整体课程框架
本课程共 30 节，围绕“设计—构建—评估—复盘”的主线组织。下图给出各模块之间的依赖关系：数据与编码是地基，模型与训练协议是主体，度量与统计是判据，最后汇聚为可发布的基准套件。
图中四个层次并非线性流水，而是相互约束：编码层决定了所需比特数，比特数又反过来限制可用的数据集规模；度量层中的“采样开销”会迫使训练层控制 shots，而 shots 过少会让梯度估计噪声过大，进而影响准确率的可信度。理解这种耦合，是后续每一节设计决策的前提。
一个最小可用的示例：从任务到契约
为了让抽象概念落地，这里给出一个贯穿课程的示例任务（参数为教学设定，非实测结果）：二分类任务，输入为二维特征，使用 4 比特角度编码，变分电路为两层强纠缠模板（StronglyEntanglingLayers），优化器为 Adam，学习率 0.05，shots 设为 1024，训练 60 轮。基准契约要求同时记录：数据生成种子 42、训练/测试按 8:2 分层划分、参数初始化种子 7、经典基线为逻辑回归与两层 MLP。
benchmark:
name: toy-2d-binary
qubits: 4
encoding: angle
ansatz: strongly_entangling_layers
layers: 2
optimizer: adam
lr: 0.05
shots: 1024
epochs: 60
split: {train: 0.8, test: 0.2, stratify: true}
seeds: {data: 42, init: 7}
baselines: [logistic_regression, mlp_2x8]这份 YAML 片段就是“契约”的雏形。它不描述算法有多聪明，只描述“在什么条件下评估”。后续课程会逐步把它扩展为完整的数据卡与配置清单，并加入噪声模型、读出误差缓解、置信区间等字段。读者现在只需建立一个判断：任何 QML 结果，若缺少这类记录，就不具备跨团队比较的基础。
学习本课程后应具备的能力
完成 30 节学习后，读者应当能够独立完成一条完整链路：针对一个具体任务选择或构造数据集，设计合理的编码方案，固定训练协议，选取经典与量子基线，用统计方式报告结果，并产出一份他人可复现的基准套件。这条链路中的每一步都会在后续章节展开，本节只负责建立全局地图与判断标准。