2. 量子模型训练的资源构成拆解

要评估量子模型训练的成本，第一步不是算钱，而是把“钱花在哪些资源上”拆清楚。量子训练与经典深度学习最大的差别在于：算力不是单一形态，而是由量子处理器、低温环境、控制电子与经典协同计算共同构成的一条耦合链路。任何一环的规格或占用时间变化，都会沿着链路传导到整体成本。因此本节建立一个六维资源分类框架，并标出每类资源在训练流程中的介入点，为后续的量化估算提供结构基础。

六类资源的划分依据

划分依据是“资源在物理上独立、在成本上可单独计量、在训练中承担不同职能”。据此可分为：量子处理器（QPU）、控制电子与信号链、稀释制冷机及低温基础设施、经典协同计算、数据与存储、人力与运维。前四类构成训练的执行栈，后两类是支撑性资源，但它们往往在总成本中占比不低，尤其在人力和低温维护上。

需要强调的是，这六类不是并列的六个盒子，而是存在明确的依赖方向：控制电子驱动 QPU，QPU 必须处于稀释制冷机提供的毫开尔文环境中，经典协同计算负责参数更新与任务调度，数据与存储为训练提供输入与检查点，人力运维贯穿全流程。理解这种依赖关系，才能理解为什么某些资源的“等待时间”也会计入成本。

量子处理器：成本的核心锚点

QPU 是训练成本的锚点，因为它的规格直接决定了其他资源的配置量级。评估 QPU 时不能只看量子比特数，更要看三个参数：单比特与双比特门保真度、相干时间、以及连通拓扑。保真度决定了达到目标精度所需的采样次数——若双比特门保真度为 99%，一个含 20 个双比特门的线路整体成功率约为 0.99²⁰ ≈ 82%；若保真度降到 98%，成功率降至约 67%。这意味着同样的训练任务，后者需要更多重复采样来压低统计误差，直接拉长量子执行时间。

在训练流程中，QPU 的介入点集中在“量子执行”和“测量采样”两个阶段。但它的成本并非只在这两个阶段产生：每次执行前的校准、每次任务切换时的参数加载，都会占用 QPU 时间。因此实际计费口径应包含“有效执行时间”与“准备与校准时间”两部分。

控制电子与信号链：容易被低估的瓶颈

控制电子包括微波源、任意波形发生器、放大器、衰减器以及从室温到低温级的同轴线缆。它的成本特征是“按通道数线性增长”：每个量子比特通常需要 1～2 条控制线和 1 条读取线，通道数随比特数上升，机架空间、功耗和线缆成本同步增加。更关键的是，信号链的带宽和延迟会限制线路编译后的指令吞吐，若控制电子无法并行驱动全部比特，QPU 的实际利用率就会下降。

介入点上，控制电子在“线路编译”阶段就参与——编译结果必须映射到具体的通道与脉冲序列；在“量子执行”阶段则全程占用。评估时应记录每条通道的占用时长，而不是笼统按整机计时。

稀释制冷机：常驻型固定成本

稀释制冷机提供毫开尔文环境，是 QPU 工作的前提。它的成本结构与其他资源不同：属于常驻型固定成本，一旦开机，液氦循环、脉管机和压缩机就持续消耗电力与维护工时，无论是否在跑训练任务。因此评估时要把制冷机的“在线时长”与“有效训练时长”分开，计算单位训练任务分摊的低温成本。若 QPU 利用率只有 30%，则每次训练实际分摊的低温成本约为满负荷时的三倍多。

经典协同计算、数据与存储

经典协同计算承担线路编译、参数更新（如梯度估计与优化器迭代）、任务调度和结果后处理。在变分量子训练中，经典优化器每轮都要根据测量结果更新参数，再编译新线路下发，这个循环的延迟往往成为整体吞吐的瓶颈。评估时应关注 CPU/GPU 的占用核时，以及编译环节的耗时占比。

数据与存储的介入点有两处：训练前的数据准备（编码为量子态所需的预处理），以及测量采样后的结果落盘与检查点保存。量子训练的单次测量数据量不大，但采样次数多、检查点频繁，累积的存储与 I/O 开销不可忽略。建议按“每轮采样数 × 轮数 × 单样本字节数”估算原始数据量，再叠加检查点副本。

人力与运维：贯穿全流程的隐性成本

人力与运维包括设备校准、低温系统维护、实验值守、线路调试和故障排查。它不直接出现在训练流程的某个节点，而是贯穿全流程。实践中，量子设备的日常校准可能占用相当比例的机时，运维人力的成本应按“人时 × 周期”计入，而不是简单按项目一次性摊派。对于长期训练任务，建议单独设立运维工时科目，避免被算力成本掩盖。