1. 课程导入与量子核分类器概览

在机器学习中，支持向量机、核岭回归等方法的威力，很大程度上来自“核技巧”：我们不必显式地把数据映射到高维特征空间，只需计算样本之间的核函数值 K(x, x')，就能在高维空间中完成内积运算。经典核方法常用的核有线性核、多项式核、RBF 核等，它们把样本对映射成一个实数，构成核矩阵，再交给分类器求解。量子核方法沿用了这一整套框架，但把“核函数”的计算交给量子电路来完成。

量子核方法的基本思想可以概括为一句话：用参数化量子电路把经典数据编码成量子态，再用量子态之间的保真度或内积来定义核函数。设编码电路 U(x) 把样本 x 映射为量子态 |φ(x)⟩ = U(x)|0⟩，那么最常用的量子核就是

K(x, x') = |⟨φ(x)|φ(x')⟩|²

它等于把 U(x')†U(x) 作用在 |0⟩ 上后，测量回到全零态的概率。这个量可以在量子硬件上通过“制备—逆制备—测量”的线路直接估计，也可以通过 SWAP 测试等干涉线路得到。得到核矩阵后，后续的分类决策与经典 SVM 完全一致：求解对偶问题、得到支持向量与拉格朗日乘子，再对新样本计算核值与决策函数。因此，量子核分类器并不是一个全新的算法，而是“经典核分类器 + 量子核估计”的组合体。

与经典核方法相比，量子核的差异主要体现在三个层面。第一是核的来源：经典核是人为选定的解析函数，量子核则由编码电路隐式定义，特征空间的几何结构由线路决定。第二是计算方式：经典核一次算术即可得到精确值，量子核需要对每个样本对运行线路并重复采样，得到的是带统计误差的估计值，线路深度、纠缠层数和测量次数都会影响精度。第三是表达能力与代价的权衡：设计得当的编码电路可以产生经典核难以高效模拟的特征映射，但同时也带来更深的线路、更多的噪声和更长的运行时间。理解这三层差异，是后续所有开发与评估工作的前提。

为了让“量子核”从公式落到可运行的对象，本课程采用一条贯穿始终的实现路径：数据预处理 → 编码电路设计 → 核矩阵估计 → 经典分类器训练 → 效果评估与对比。下面给出一个最小可运行示例的关键参数设定，用于说明各环节的输入输出关系（以下数值为教学示例设定，非实测结果）。

需要特别提醒的是核矩阵的数值性质。由于每个元素都是采样估计，K 可能不再严格满足半正定性，直接送入 SVM 求解器可能导致不收敛或解不稳定。工程上的常见做法是对称化后做特征值截断（把负特征值置零再重构），或在对角线上加一个很小的抖动项。这一步看似细节，却直接决定后续训练能否稳定完成，也是本课程在“核矩阵估计”一节会重点展开的实操内容。

本课程的学习路径按“先建立直觉、再动手实现、最后科学评估”的顺序组织。第一阶段聚焦概念与数学基础：理解核技巧、再生核希尔伯特空间的基本直觉，以及保真度核为何是一个合法核。第二阶段进入实现：学习角度编码、振幅编码、数据重上传等常用编码方案，掌握用逆制备线路和 SWAP 测试估计核值的具体线路构造，并完成核矩阵的批量计算与数值修正。第三阶段转向评估：设计经典核与量子核的对照实验，控制变量地比较准确率、F1、训练时间与线路资源消耗，分析噪声和采样次数对结果的影响，并学会判断“量子核在当前问题上是否真的带来了优势”。

评估环节尤其需要建立正确的预期。量子核并非在所有数据集上都优于经典核；在小规模、低维、结构简单的数据上，RBF 核往往已经足够好，量子核的优势更可能出现在特征维度高、经典核难以刻画复杂相似性、且量子线路深度尚在可执行范围内的场景。因此本课程强调用对照实验说话：固定数据划分与评估指标，分别运行经典核与量子核，记录核矩阵估计耗时、分类指标和资源开销，再据此得出结论。这种“可复现的对比”意识，比单纯追求某个高分更有长期价值。

最后说明本课程的先修要求与工具环境。读者应具备线性代数、概率论基础和 Python 编程能力，了解 SVM 的基本原理即可，不要求预先掌握量子计算。实现上以 Qiskit 为主，配合 scikit-learn 完成经典分类与评估，核矩阵计算与线路构造会给出可直接运行的代码骨架。整个课程围绕一个贯穿案例逐步展开，每一节都在前一节的基础上增加一个可验证的能力，最终形成一个从数据到结论完整闭环的量子核分类器原型。