1. 课程导入与QNN全景

量子神经网络（Quantum Neural Network，QNN）是量子计算与机器学习交叉形成的一类计算模型。它把可训练的量子门线路当作“网络”，用参数化量子电路（Parameterized Quantum Circuit，PQC）承载权重，通过测量量子态获得输出，再借助经典优化器更新参数。理解QNN，关键不是把它当成“量子版的深度学习框架”，而是先看清它的计算载体、参数形态与训练信号来源都与经典神经网络不同。

一、QNN是什么：从“线路即模型”说起

一个最典型的QNN由三部分组成：数据编码层、可训练线路层和测量层。数据编码层把经典输入 x 映射为量子态，例如用旋转角编码 Ry(x_i) 作用在初始态 |0…0⟩ 上；可训练线路层由若干含参数 θ 的量子门（如 Rx(θ)、CNOT 组合）构成；测量层对指定量子比特做期望值测量，得到实数输出 ⟨Z⟩。于是模型可写成：

f(x, θ) = ⟨0…0| U†(x, θ) · Z_0 · U(x, θ) |0…0⟩

其中 U(x, θ) 是编码层与可训练层组合后的整体酉变换。训练目标就是寻找 θ，使 f(x, θ) 在训练集上逼近标签。可以看到，QNN的“权重”不是矩阵中的浮点数，而是量子门的角度；前向传播是一次量子线路演化，反向传播则通常依赖参数移位规则（Parameter-Shift Rule）等解析梯度方法。

二、发展脉络：从思想实验到可训练线路

QNN并非新近才出现的概念。20世纪90年代已有量子感知机与量子联想记忆的设想；2000年代后，随着变分量子算法（VQA）兴起，量子近似优化、变分本征求解器等工作让“含参线路+经典优化”的范式逐渐成熟；2018年前后，量子机器学习进入快速发展期，量子卷积、量子生成模型、量子核方法等分支相继出现。今天工程上讨论的QNN，多数指可在含噪声中等规模量子（NISQ）设备上运行的变分线路模型，而非需要大规模容错量子计算机的深层量子网络。

三、与经典神经网络的本质差异

把QNN与经典神经网络对照，差异集中在四个层面。第一，状态空间：经典网络传递实数向量，QNN传递的是维度随比特数指数增长的复振幅向量，但可访问的信息受测量限制。第二，参数化方式：经典权重是独立可调的实数矩阵元素，QNN参数是量子门旋转角，且线路结构受硬件连通性约束。第三，非线性来源：经典网络靠激活函数引入非线性，QNN的非线性主要来自测量、数据编码方式以及线路中的纠缠结构，而非逐层激活。第四，训练信号：经典网络用反向传播链式求导，QNN常用参数移位、有限差分或伴随方法估计梯度，且每次梯度评估都可能需要多次线路执行。

四、本课程的学习地图

本课程围绕“建模”与“训练”两条主线展开，共30章。建模部分关注：如何把实际问题转化为量子线路、如何选择编码方式与ansatz结构、如何设计测量与输出层、如何评估线路的表达能力与纠缠能力。训练部分关注：损失函数如何定义、梯度如何计算、优化器如何选择、 barren plateau（贫瘠高原）如何识别与缓解、噪声与硬件约束如何影响训练稳定性，以及如何做小规模实验验证与结果判读。

下面的全景图把课程的核心对象与两条主线放在同一张关系图中：左侧是建模链路，右侧是训练链路，中间通过“参数化量子线路”这一共同载体连接，底部是贯穿全程的评估与排障视角。

五、从一个可运行的小例子建立直觉

为了不让概念停留在公式上，这里给出一个单比特QNN的最小建模示例（示例参数为教学设定，非实测结果）。设输入 x ∈ [0, π]，线路为 Ry(x) 后接 Ry(θ)，测量 Z 的期望值。则输出为：

f(x, θ) = cos(x + θ)

若训练目标是在 x = 0 时输出 1、在 x = π/2 时输出 0，则理想 θ 应使 cos(θ) ≈ 1 且 cos(π/2 + θ) ≈ 0，即 θ ≈ 0 附近。用参数移位规则，梯度为：

∂f/∂θ = [f(θ + π/2) − f(θ − π/2)] / 2

这个例子虽小，却完整体现了QNN的训练闭环：编码、含参演化、测量、损失、梯度、更新。后续章节会把每一环展开为可操作的建模与训练方法。

六、学习建议与常见误区

建议按“先跑通小线路，再谈结构设计”的顺序学习：先用仿真器验证单比特、双比特线路的输出与梯度是否符合解析预期，再逐步增加编码维度与ansatz层数。常见误区有三：其一，忽视测量次数对梯度估计方差的影响，导致训练曲线抖动被误判为模型问题；其二，盲目加深线路，反而触发贫瘠高原，使梯度指数级衰减；其三，把经典数据预处理与量子编码割裂看待，实际上编码方式直接决定模型可表达的函数族。

本课程后续将围绕这些具体问题，给出可复现的线路结构、参数设置、训练脚本组织方式与结果判读标准，帮助你把QNN从概念图变成可运行、可调试、可评估的模型。