1. 课程导入与公平对比框架

在量子机器学习、量子优化与量子模拟的讨论中，最常见的争论是“量子模型是否更好”。但如果不先约定比较条件，这个问题的答案几乎没有意义。一个 8 比特量子线路与一个 8 维经典神经网络，在参数数量、训练样本、测量次数、运行硬件上完全不同，直接比较测试集准确率就像用不同赛道的成绩排名。本课程的核心目标，是建立一套可复现、可审计的对比方法：在相同任务、相同数据、相近可训练参数规模与相同评价口径下，判断量子模型相对经典模型究竟在哪个维度上取得优势，以及这种优势是否值得其额外代价。

公平对比不是追求“让量子模型赢”，而是让差异可归因。我们需要先明确四个基本约定。第一，任务一致：两者解决同一个输入输出映射，例如同一个二分类数据集、同一个组合优化实例、同一个回归目标。第二，资源口径一致：经典侧统计可训练参数、训练轮次、浮点运算量级与推理延迟；量子侧统计可训练参数、线路深度、双比特门数量、测量次数（shots）与量子比特数。第三，数据划分一致：训练集、验证集、测试集固定随机种子，避免数据泄漏。第四，评价指标一致：分类任务用准确率、F1 与 AUC，回归任务用 MAE 与 R²，并同时报告均值与标准差。

评价维度可以归纳为五类。精度维度关注模型在测试集上的预测质量；资源维度关注参数规模、线路深度、训练时间、测量开销与硬件依赖；泛化性维度关注训练集与测试集性能差距、对噪声和数据扰动的稳健性；可解释性维度关注模型决策能否被追溯，例如量子模型能否给出可读的特征映射或测量期望值解释；可扩展性维度关注随问题规模增长时资源如何变化。这五个维度并非同等重要，具体任务应事先指定主指标与约束条件，例如“在双比特门数不超过 200 的前提下比较测试准确率”，而不是事后挑选有利指标。

实践中常见的误区有五类，需要在课程开始就建立“警报”。误区一：参数规模不对等。量子线路只有几十个角度参数，却与拥有上万权重的经典网络比较，结论无法归因于量子性。误区二：忽略测量开销。量子模型每次推理需要多次 shots 采样，若只统计线路执行时间而不计采样与后处理，资源比较会严重失真。误区三：数据泄漏与调参不对等。量子侧在测试集上调超参数，经典侧却严格划分，结果自然偏向量子。误区四：只报告最优一次结果。量子硬件噪声波动大，单次运行的高准确率可能只是偶然。误区五：把表达能力等同于泛化能力。量子线路可以拟合复杂函数，但在小样本下同样会过拟合。

为了让对比可执行，我们采用任务驱动的学习路径。整门课程围绕一个贯穿案例展开：基于小型表格数据的二分类任务，例如根据四个连续特征判断样本类别。经典基线选用逻辑回归与两层多层感知机；量子侧选用数据重上传变分线路，将四个特征编码为旋转角，配合可训练的单比特旋转与环形双比特纠缠层。两侧使用相同的训练/验证/测试划分，固定随机种子，分类指标统一为准确率与 F1。示例参数设定为：训练集 240 条、验证集 80 条、测试集 80 条；量子侧 4 个量子比特、2 个重上传层、可训练参数约 24 个；经典多层感知机隐藏层 8 个神经元，可训练参数约 49 个。这些数值属于教学示例设定，用于说明比较口径，不代表任何实际硬件实测结果。

在具体操作上，建议先建立一份对比记录表，把“比什么、怎么比、结果如何”固定下来。每次实验至少记录：任务与数据版本、两侧可训练参数数量、量子侧线路深度与双比特门数、shots 设置、经典侧训练轮次与优化器、测试集主指标均值与标准差、以及是否触发资源上限。判断是否达成对比目标，不看单次最高分，而看三点：主指标差异是否大于重复实验的标准差；量子侧资源消耗是否在预设预算内；失败样本是否呈现系统性模式。只有这三点都清楚，结论才具备可讨论的价值。

需要强调的是，公平对比的终点不是给出“量子胜”或“经典胜”的简单结论，而是给出条件化的判断：在什么任务规模、什么噪声水平、什么资源预算下，量子模型表现出可复现的优势或劣势。随着课程推进，我们会依次进入数据编码、线路设计、训练策略、噪声影响、资源核算与统计检验等环节，每一节都在同一框架下补充一个可操作的比较维度。读者应始终带着三个问题阅读：这个方法的输入是什么、它改变了哪项资源或精度指标、结果如何判断是否可信。