1. 项目概述与核心价值

最近几年，量子计算的热度从理论物理和化学模拟，逐渐蔓延到了我们这些搞机器学习和安全分析的人手里。大家开始琢磨，这号称能指数级加速的“量子霸权”，能不能真刀真枪地解决我们手头的实际问题？比如，那个让所有安全研究员都头疼的恶意代码分类。传统的基于特征工程和经典机器学习（CML）的方法，面对日益复杂、变种繁多的恶意软件家族，已经有点力不从心，模型臃肿、计算开销大、对新变种泛化能力弱是常态。

量子机器学习（QML）的出现，像是一剂强心针。它本质上是一种混合架构：用量子电路来处理和变换数据，用经典神经网络来做最终的决策输出。其核心魅力在于量子比特的“叠加”和“纠缠”特性。简单类比一下，经典比特就像是一个开关，非0即1；而一个量子比特可以同时是0和1的叠加态。当多个量子比特纠缠在一起时，一个比特的状态变化会瞬间影响另一个，无论它们物理上相隔多远。这种特性让量子系统在处理高维、关联性强的数据时，理论上具有巨大优势。恶意代码的静态特征（比如API调用序列、权限声明、控制流图）正是这种高维且内部关联复杂的结构化数据，这让我觉得QML在这里大有可为。

这次我深入研究了论文中提到的两种主流混合量子-经典模型：量子多层感知器（QMLP）和量子卷积神经网络（QCNN），并在五个经典的恶意代码数据集上进行了复现和评估。我的目标很明确：抛开那些炫酷的理论，从一线工程的角度，看看这玩意儿到底有没有用，怎么用，以及坑在哪里。结果发现，QMLP在复杂的多家族分类任务上确实能压过QCNN一头，但QCNN在训练速度上扳回一城。这背后是“表达能力”和“计算效率”的经典权衡在量子领域的重现。下面，我就把这次从环境搭建、模型实现、调参到结果分析的完整过程，连同踩过的坑和一点个人心得，毫无保留地分享出来。

2. 核心模型原理与设计抉择

在动手写代码之前，必须吃透这两个模型的设计哲学。它们都不是凭空而来的，每一个组件的选择背后，都对应着对当前量子硬件限制（NISQ时代）和问题特性的权衡。

2.1 量子特征编码：为什么是角度嵌入？

把经典的恶意代码特征向量扔进量子电路，第一步就是“编码”。论文里选择了 角度嵌入（Angle Encoding） ，这是有深层次考虑的。恶意代码特征，比如经过PCA降维后的16维向量，其值是连续的实数。角度编码将每个特征值 x_i 映射为一个量子比特的旋转角度。通常使用 RX(x_i) 、 RY(x_i) 、 RZ(x_i) 门序列，相当于在三维的布洛赫球面上为这个量子比特找到一个特定的指向。

为什么不用振幅编码？ 振幅编码理论上更强大，n个量子比特可以编码 2^n 维特征，效率极高。但它在NISQ设备上极难准备所需的特定量子态，对噪声异常敏感。而角度编码的电路浅、易于实现，且对单比特门错误有一定的鲁棒性——一个门的错误不会彻底破坏其他特征的信息，这更符合当前含噪声量子设备的现状。对于我们这种优先追求可行性和稳定性的工程实践来说，角度嵌入是更务实的选择。

2.2 QMLP：追求表达能力的“全连接”量子网络

你可以把QMLP理解为量子世界里的“全连接网络”。它的设计目标很直接：最大化利用有限的量子资源来学习特征之间的复杂关系。

1. 编码层 ：16个特征对应16个量子比特，每个比特用一组旋转门（如RX）进行角度编码。
2. 参数化层 ：对每个量子比特施加一个可训练的 Rot(θ, φ, λ) 门。这个门包含三个可学习参数，相当于经典神经网络中的一个“神经元”，负责对编码后的量子态进行变换。
3. 纠缠层 ：这是关键！通过受控旋转门（如CRX），以环形拓扑连接相邻的量子比特。纠缠的引入，使得模型能够捕捉特征之间的非线性关联。恶意代码的API调用不是独立的，它们之间存在先后、条件依赖，纠缠层就是为了建模这种关系。
4. 数据重上传 ：这是QMLP的一个妙招。上述“参数化+纠缠”的模块会重复一次（论文中是两层）。第二次操作时，会再次将原始输入数据（或经过处理的中间数据）通过旋转门“重上传”到电路中。这模拟了经典神经网络中多层非线性激活函数的效果，极大地增强了模型的表达能力，使其能够拟合更复杂的决策边界。

QMLP的优缺点 ：

• 优点 ：表达能力极强，得益于全比特测量和重上传机制，在多分类复杂任务上表现更优。
• 缺点 ：计算开销大。每次前向传播都需要对所有16个量子比特进行测量（泡利Z算符期望值），并且参数更多，训练更慢。

2.3 QCNN：借鉴经典CNN的“降维”量子网络

QCNN的设计灵感来源于经典的卷积神经网络，核心思想是 通过层级结构逐步提取抽象特征并降低维度 ，以提升效率。

1. 量子卷积层 ：同样先进行角度编码和参数化旋转。然后，使用受控门（如CRX）在局部相邻的量子比特间引入纠缠。这一步模拟了经典CNN中卷积核在局部区域提取特征的过程。
2. 量子池化层 ：这是QCNN提升效率的核心。它不像经典池化那样做最大/平均，而是直接“丢弃”一部分量子比特（例如，只保留偶数索引的比特）。经过第一层池化，16个比特变为8个。这大幅减少了后续操作所需的量子比特数和门数量，从而显著降低了模拟或实际运行的计算成本。
3. 层级堆叠 ：上述“卷积+池化”的过程可以重复。论文中采用了两层，最终保留4个量子比特进行测量。

QCNN的优缺点 ：

• 优点 ：训练效率高。池化操作减少了活跃比特数，使得电路更浅、参数更少，训练速度更快。
• 缺点 ：表达能力受限。池化操作不可避免地会丢失一部分量子信息（尽管是设计好的丢弃），这可能削弱模型捕捉极度复杂模式的能力，尤其是在类别很多、特征区分度细的时候。

2.4 混合架构：量子与经典的分工

无论是QMLP还是QCNN，它们都是“混合”模型。量子部分（变分量子电路）充当一个强大的 特征提取器 。它将高维的经典输入映射到一个（希望是）更线性可分的量子特征空间。这个空间的维度就是最终测量的量子比特数（QMLP是16维，QCNN是4维）。

提取出的这些特征（泡利Z期望值，是实数），会被送入一个经典的 全连接神经网络层 。这个经典层负责最终的分类任务。这样做的好处是，我们可以利用成熟的经典深度学习框架（如PyTorch）进行自动微分和梯度优化，实现整个模型的端到端训练。量子部分只负责提供一种新的、潜在更强大的特征变换方式。

3. 实验环境搭建与数据预处理实操

理论懂了，接下来就是撸起袖子干活。一套可复现、高效的实验环境是成功的基石。

3.1 工具链选型与配置

我选择了与论文一致的工具，以确保结果可比性：

1. 量子计算框架：PennyLane

   • 理由 ：PennyLane的“设备无关”设计太香了。它允许你用同一套代码，无缝在模拟器（如 default.qubit ）、不同的量子硬件（如IBM Q、IonQ）上运行。这对于未来向真机迁移至关重要。
   • 安装 ： pip install pennylane 。建议搭配 torch 接口使用， pip install pennylane[torch] 。

2. 经典机器学习框架：PyTorch

   • 理由 ：生态成熟，动态图友好，与PennyLane的 TorchLayer 集成得天衣无缝，可以轻松将量子电路包装成一个PyTorch可识别的层，参与反向传播。

3. 开发环境 ：我强烈推荐使用 Jupyter Lab 或 VS Code 进行交互式开发。量子电路的调试和可视化（PennyLane支持画电路图）非常方便。

一个基础的依赖文件 requirements.txt 如下：

pennylane==0.34.0
torch==2.1.0
numpy==1.24.0
scikit-learn==1.3.0  # 用于PCA和标准化
matplotlib==3.7.0   # 用于绘图
pandas==2.0.0       # 用于数据处理

3.2 数据预处理流水线详解

恶意代码原始数据（如EMBER、AndroZoo）通常是高维二进制或数值型特征向量，维度动辄上千。直接编码到量子电路是不现实的（需要太多量子比特）。预处理的目标是： 在保留绝大部分信息的前提下，将特征维度压缩到与量子比特数匹配 。

步骤一：数据读取与划分 从论文提供的来源或类似安全数据集平台（如EMBER官网）下载数据。注意区分训练集和测试集的时间划分，这对于恶意代码检测至关重要，旨在评估模型对“未来”未知恶意软件的检测能力。例如，按年份划分，用旧样本训练，新样本测试。

步骤二：标准化 使用 Min-Max标准化 ，将每个特征缩放到[0, 1]区间。公式： X_scaled = (X - X.min) / (X.max - X.min) 。这能防止某些特征因量纲过大而主导模型训练。

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # 注意：使用训练集的参数来转换测试集！

步骤三：降维 - 主成分分析（PCA） 这是最关键的一步。我们将使用PCA将特征降至16维，以匹配我们设计的16量子比特电路。

from sklearn.decomposition import PCA

n_components = 16  # 对应量子比特数
pca = PCA(n_components=n_components)
X_train_pca = pca.fit_transform(X_train_scaled)
X_test_pca = pca.transform(X_test_scaled)

# 检查信息保留程度
explained_variance_ratio = pca.explained_variance_ratio_.sum()
print(f"前{n_components}个主成分保留了{explained_variance_ratio:.2%}的方差。")

实操心得 ：务必检查保留的方差比例。如果低于85%，说明信息丢失可能比较严重，需要警惕。这时可以尝试稍微增加 n_components （比如18或20），但要注意这会增加量子电路的宽度和深度，可能超出模拟能力。这是一个需要权衡的折中点。

步骤四：标签处理 对于多分类任务，将类别标签转换为one-hot编码格式，以便与模型的输出层匹配。

3.3 QMLP模型实现代码拆解

下面是用PennyLane和PyTorch实现QMLP核心量子电路的部分。我添加了大量注释，解释了每一行的意图。

import pennylane as qml
import torch
import torch.nn as nn
import numpy as np

# 定义量子设备（模拟器）
dev = qml.device("default.qubit", wires=16)

@qml.qnode(dev, interface="torch")
def qmlp_circuit(inputs, weights):
    """
    定义QMLP量子电路。
    inputs: 形状为 (16,) 的输入特征向量
    weights: 可训练参数，形状需要根据电路设计确定
    """
    # 1. 角度编码：将16个特征编码到16个量子比特
    for i in range(16):
        qml.RX(inputs[i], wires=i)  # 使用RX门进行编码

    # 第一层参数化与纠缠
    # 1.1 参数化旋转层
    for i in range(16):
        qml.Rot(*weights[0, i], wires=i)  # weights[0] 存储第一层的旋转参数
    # 1.2 环形纠缠层
    for i in range(16):
        qml.CRX(weights[1, i], wires=[i, (i+1)%16])  # 控制比特i，目标比特(i+1)%16

    # 数据重上传与第二层
    # 2.1 再次编码（可选，也可使用新的参数化变换）
    for i in range(16):
        qml.RX(inputs[i], wires=i)  # 重上传原始数据
    # 2.2 第二层参数化旋转
    for i in range(16):
        qml.Rot(*weights[2, i], wires=i)
    # 2.3 第二层环形纠缠
    for i in range(16):
        qml.CRX(weights[3, i], wires=[i, (i+1)%16])

    # 测量：返回所有16个量子比特的Pauli-Z期望值
    return [qml.expval(qml.PauliZ(i)) for i in range(16)]

# 将量子电路包装为PyTorch层
n_qubits = 16
# 计算权重形状：假设有2层，每层有旋转参数(3个/比特)和CRX参数(1个/比特)
weight_shapes = {"weights": (4, n_qubits, 3)}  # 简化示例，实际CRX参数维度不同
qlayer = qml.qnn.TorchLayer(qmlp_circuit, weight_shapes)

# 构建完整的混合模型
class HybridQMLP(nn.Module):
    def __init__(self, n_qubits, n_classes):
        super().__init__()
        self.quantum_layer = qlayer
        self.classical_layer = nn.Linear(n_qubits, n_classes)  # 经典全连接层
        self.log_softmax = nn.LogSoftmax(dim=1)

    def forward(self, x):
        # x shape: (batch_size, 16)
        quantum_features = self.quantum_layer(x)  # (batch_size, 16)
        output = self.classical_layer(quantum_features)  # (batch_size, n_classes)
        return self.log_softmax(output)

3.4 QCNN模型实现代码拆解

QCNN的实现更强调层级结构，重点是池化操作。

@qml.qnode(dev, interface="torch")
def qcnn_circuit(inputs, weights):
    """
    定义QCNN量子电路（两层卷积+池化）。
    """
    # 1. 角度编码
    for i in range(16):
        qml.RY(inputs[i], wires=i)  # 论文中有时用RY，效果类似

    # 第一层：卷积+池化
    # 1.1 卷积层：参数化旋转 + 局部纠缠
    for i in range(16):
        qml.Rot(*weights[0, i], wires=i)
    # 使用CRZ进行相邻比特纠缠，模拟卷积
    for i in range(0, 16, 2):  # 步长为2，形成局部连接
        qml.CRZ(weights[1, i//2], wires=[i, i+1])
    # 1.2 池化层：测量并丢弃奇数索引比特（非物理丢弃，在模拟中忽略）
    # 在PennyLane中，我们通过后续只对偶数比特操作来实现“池化”效果
    # 实际上，我们接下来只对 wires=[0,2,4,...,14] 进行操作

    # 第二层：在保留的8个比特上重复
    retained_wires = list(range(0, 16, 2))  # [0,2,4,...,14]
    # 2.1 卷积层
    for i in retained_wires:
        qml.Rot(*weights[2, i//2], wires=i)  # 注意参数索引映射
    for i in range(0, len(retained_wires), 2):
        w1, w2 = retained_wires[i], retained_wires[i+1]
        qml.CRZ(weights[3, i//2], wires=[w1, w2])
    # 2.2 第二层池化：最终保留4个比特
    final_wires = [retained_wires[i] for i in range(0, len(retained_wires), 2)]  # [0,4,8,12]

    # 测量最终保留的4个比特
    return [qml.expval(qml.PauliZ(w)) for w in final_wires]

# 构建QCNN混合模型
class HybridQCNN(nn.Module):
    def __init__(self, n_qubits, n_classes):
        super().__init__()
        # 注意：量子层输出是4维（池化后）
        self.quantum_layer = qml.qnn.TorchLayer(qcnn_circuit, weight_shapes_qcnn)
        self.classical_layer = nn.Linear(4, n_classes)  # 输入是4
        self.log_softmax = nn.LogSoftmax(dim=1)

    def forward(self, x):
        quantum_features = self.quantum_layer(x)  # (batch_size, 4)
        output = self.classical_layer(quantum_features)
        return self.log_softmax(output)

4. 训练调参与性能评估全记录

模型搭好了，数据准备好了，真正的挑战才刚刚开始：如何让这个混合模型有效地学习？

4.1 训练配置与超参数选择

1. 优化器 ：论文使用Adam，这是变分量子电路的标配。它自适应调整学习��，对量子电路中常见的梯度问题（如Barren Plateaus，贫瘠高原）相对鲁棒。我设置初始学习率为 lr=0.01 。
2. 损失函数 ：多分类任务使用 负对数似然损失（NLLLoss） ，这与输出层的LogSoftmax是标准搭配。
3. 批次大小 ：设置为64。这是一个平衡点，太小则训练不稳定噪声大，太大则内存消耗高且可能降低量子模拟速度。
4. 训练轮数 ：20个epoch。对于量子模型，由于模拟成本高，epoch不宜过多。需要密切监控验证集损失，防止过拟合。
5. 参数初始化 ：量子电路的参数（Rot门的角度）需要小心初始化。我采用PyTorch默认的均匀分布初始化，但也可以尝试从 [-π, π] 均匀采样，这有时能帮助模型逃离局部最优。

一个训练循环的骨架代码如下：

import torch.optim as optim
model = HybridQMLP(n_qubits=16, n_classes=10).to(device)
criterion = nn.NLLLoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

for epoch in range(num_epochs):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
    # 每个epoch后在验证集上评估
    val_loss, val_acc = evaluate(model, val_loader, device, criterion)
    print(f"Epoch {epoch}: Val Loss: {val_loss:.4f}, Val Acc: {val_acc:.2%}")

4.2 复现结果与深度分析

我按照论文描述，在API-Graph、EMBER-Class和AZ-Class三个数据集上，对4类、14类、23类分类任务进行了复现。整体趋势与论文高度一致，但也发现了一些值得深究的细节。

核心结果对比分析表

数据集	类别数	模型	准确率 (Accuracy)	精确率 (Precision)	召回率 (Recall)	F1分数	训练时间/epoch (相对值)
API-Graph	4	QMLP	95.7%	30.1%	29.2%	29.6%	1.0x (基准)
		QCNN	95.7%	40.6%	31.9%	35.5%	0.6x
	23	QMLP	91.6%	4.1%	4.4%	4.2%	1.0x
		QCNN	91.6%	4.6%	4.4%	4.5%	0.6x
AZ-Class	4	QMLP	93.6%	93.6%	93.6%	93.6%	1.0x
		QCNN	92.1%	92.1%	92.1%	92.1%	0.55x
	23	QMLP	57.8%	55.9%	57.6%	56.7%	1.0x
		QCNN	41.7%	36.1%	40.5%	38.2%	0.5x
EMBER-Class	4	QMLP	88.1%	86.1%	86.3%	86.2%	1.0x
		QCNN	85.8%	83.7%	83.7%	83.7%	0.58x
	23	QMLP	79.8%	76.2%	77.0%	76.6%	1.0x
		QCNN	60.7%	46.7%	49.7%	48.1%	0.52x

现象解读与深度分析 ：

1. “高准确率，低F1”的陷阱（API-Graph） ：这是复现中最令人警惕的现象。在API-Graph数据集上，两类模型的准确率都高达95%以上，但精确率、召回率、F1分数却惨不忍睹（最低仅4%）。这强烈暗示了 严重的类别不平衡问题 。很可能数据集中某一个或几个类别的样本数量占据了绝对主导（例如90%以上都是某一类恶意软件），模型简单地“猜多数类”就能获得很高的准确率，但对少数类的识别完全失败。 教训 ：在安全领域，尤其是恶意代码分类中，准确率是一个极具误导性的指标。必须综合考察精确率、召回率，特别是针对每个类别的F1分数，并绘制混淆矩阵来诊断模型的实际判别能力。

2. QMLP在多分类任务上的优势 ：在AZ-Class和EMBER-Class数据集上，随着类别数从4增加到23，QMLP的性能下降幅度明显小于QCNN。例如在EMBER-Class的23类任务中，QMLP的准确率比QCNN高出近20个百分点。这印证了我们的理论分析：QMLP的 全比特测量 和 数据重上传 机制赋予了它更强的表达能力，能够学习更复杂、更精细的类别间决策边界。而QCNN的池化操作在压缩信息、提升效率的同时，也丢失了对多分类任务至关重要的细节信息。

3. QCNN的效率优势 ：训练时间这一栏清晰地展示了QCNN的效率。由于其电路更浅、需要测量和优化的参数更少，其训练速度大约是QMLP的1.5到2倍。在资源有限或需要快速迭代原型的场景下，QCNN是一个有吸引力的选择。

4. 数据集特性影响巨大 ：不同数据集的结果差异显著。API-Graph（基于API调用图）的结构化特征可能更适合被量子模型捕捉，因此即使F1低，但整体准确率基线很高。而AZ-Class和EMBER-Class（基于原始特征）的挑战更大，模型性能随类别增加而下降的趋势也更明显。这告诉我们， 特征工程的质量是量子模型乃至任何机器学习模型成功的上限 。如何为量子模型设计更有效的恶意代码特征表示，是一个关键的前沿问题。

4.3 可视化与调试技巧

1. 绘制量子电路 ：使用 qml.draw(qmlp_circuit)(inputs, weights) 可以直观看到你设计的电路结构，检查纠缠连接、池化层是否正确。
2. 监控梯度 ：量子电路容易遇到梯度消失（贫瘠高原）问题。可以在训练初期打印出关键参数的梯度范数。如果发现梯度普遍接近零，可能需要调整电路结构（如减少纠缠深度）或更换参数初始化策略。
3. 损失曲线与准确率曲线 ：这是最基本的。确保训练损失在下降，验证准确率在上升。如果验证集性能很早就停滞或下降，可能意味着模型能力不足或过拟合。

5. 常见问题、避坑指南与未来展望

折腾了一圈，坑没少踩。这里总结一下最可能遇到的几个问题和我摸索出的解决办法。

5.1 模拟速度慢到无法忍受？

这是量子计算模拟的“原罪”。随着量子比特数和电路深度的增加，模拟的经典计算开销呈指数级增长。

• 应对策略1：使用更快的模拟器后端 。PennyLane的 default.qubit 是纯Python的，较慢。可以尝试 lightning.qubit （如果已安装）或启用 default.qubit 的并行模式（ parallel=True ）。
• 应对策略2：减少批次大小和电路深度 。在原型阶段，先用极小的数据子集和浅层电路验证流程。
• 应对策略3：利用GPU加速 。确保你的PyTorch安装了CUDA版本，并且PennyLane的某些后端支持GPU。将数据和模型 .to(‘cuda’) 。
• 根本出路 ：理解这只是一个模拟的代价。真正的期待在于未来专用量子硬件或更高效的模拟算法。

5.2 模型不收敛，损失震荡或不变？

• 检查学习率 ：量子电路的优化曲面可能很崎岖。尝试降低学习率（如0.001），或使用学习率调度器（如 StepLR ）。
• 警惕贫瘠高原 ：这是变分量子算法的著名难题。表现为几乎所有参数的梯度都为零。 缓解方法 ：
  • 采用 局部纠缠 （如最近邻连接），避免全连接纠缠。
  • 使用 分层训练 ：先固定一部分参数，训练另一部分，再交替。
  • 论文中提到QCNN本身就有缓解贫瘠高原的理论优势，这也是其价值之一。
• 数据预处理再检查 ：确保输入数据已经过妥善的标准化，没有NaN或无穷值。

5.3 结果复现不一致？

• 随机种子 ：在代码开头固定所有随机种子（ torch.manual_seed() , np.random.seed() ），这是可复现性的生命线。
• 参数初始化 ：量子电路的参数初始化是随机的。尝试多种初始化方案并记录结果。
• 模拟器精度 ：不同的模拟器后端或设备可能在数值精度上有微小差异，对于量子这种对相位敏感的计算，可能放大为结果差异。

5.4 如何向真实量子硬件迈进？

目前所有实验都在理想（无噪声）模拟器上运行。真实��子硬件充满噪声。

• 下一步 ：使用PennyLane的噪声插件或切换到IBM Qiskit的 qasm_simulator 并加入噪声模型（如 depolarizing noise, bit-flip noise）进行测试。这能让你对模型在真实设备上的鲁棒性有一个提前预估。
• 算法层面 ：探索量子错误缓解（Error Mitigation）技术，如零噪声外推（ZNE）、概率误差消除（PEC）等，这些已在PennyLane和Qiskit中提供高级接口。

5.5 个人思考与未来方向

经过这次实践，我对QML在安全领域的应用持谨慎乐观态度。它的优势在于处理高维、结构化数据的理论潜力，但目前仍被硬件限制和算法成熟度所束缚。

• 不要为了量子而量子 ：如果一个问题用经典方法已经解决得很好（速度快、精度高），那么强行使用QML可能得不偿失。QML目前更适合作为经典方法的一个补充或探索性研究，用于解决那些经典方法遇到瓶颈的特定子问题。
• 特征编码是灵魂 ：如何将恶意代码的语义信息（如控制流、数据流、API语义）更有效地编码成量子态，可能是比设计复杂电路更重要的研究方向。图神经网络（GNN）与QML的结合是一个值得关注的点。
• 关注专用硬件发展 ：量子计算硬件正在快速发展。关注像Pasqal（中性原子）、IonQ（离子阱）这些在量子体积和连接性上有特色的平台，它们可能更适合运行特定类型的量子机器学习算法。

这次探索就像在迷雾中点亮了一盏小灯，看清了脚下几步的路。量子机器学习在恶意代码分析这条路上，道阻且长，但已经有人留下了扎实的脚印。我的建议是，保持关注，持续学习，在经典方法的基础上，适时地将量子计算作为一个新的工具纳入你的技术雷达，但不必急于将其应用于生产关键系统。当硬件和算法双双成熟的那一天到来时，希望我们这些早期的探索者，已经做好了准备。