人工智能
把量子电路带入模型学习。
围绕分类任务，将样本特征编码为量子态，通过相似性测量或参数化电路构建模型，让测量结果进入经典学习与参数更新。
先比较相似性，再学习分类。
将样本映射为量子态，通过测量比较样本之间的相似性，再将这些关系交给经典分类器。量子电路在这里承担特征表示与相似性计算。
任务与数据
明确特征与标签，先划分训练、验证和独立测试集。
量子特征映射
同一种编码处理两个样本，比较它们在量子特征空间中的关系。
相似性读出
逐对估计相似性，形成供经典分类器使用的核矩阵。
经典分类
以核矩阵训练分类器，学习分类边界，再对新样本预测类别。
回到特征映射
根据验证集表现，比较编码方式与电路结构，选择下一轮的模型设置。
让可训练电路，进入学习过程。
将特征编码进量子电路，用可训练参数调整量子态。测量结果产生预测，经典优化器计算损失并更新参数，连接起一轮又一轮的训练。
任务与数据
明确特征与标签，先划分训练、验证和独立测试集。
编码与可训练电路
特征映射负责输入，参数化电路负责调整模型的表示。
测量与预测
重复执行电路估计可观测量，再得到用于任务评估的预测。
损失与参数更新
将预测与标签比较，由经典优化器计算损失并更新电路参数 θ。
带回下一轮电路
用更新后的 θ 再次执行电路，持续记录损失变化与采样结果。
把学习任务，
组织成可追踪的实验。
固定输入与评价方式，记录电路配置、训练过程和输出结果，让下一轮调整有据可循。
从模型电路，到硬件执行
超导量子计算整机通过微波完成量子态制备与操控，由读出链路获取测量结果。
- 数据与任务
- 明确特征、标签与目标指标，固定训练、验证和测试划分，使不同模型从相同输入出发。
- 电路与参数
- 保留编码方式、电路结构和参数更新记录，结合执行次数与采样设置，追踪每轮训练。
- 结果与反馈
- 对照经典模型，比较预测表现、训练稳定性与完整计算开销，将结果用于下一轮模型调整。