量子方法 / 面向业务判断
先判断是否值得用量子，再设计可验证路径
这里不是算法名词表，而是帮助你理解不同业务问题可能对应哪些量子方法、如何与现有方法比较，以及哪些边界需要提前确认。
适合量子方法的问题
组合优化、分子模拟、高维特征映射、约束搜索等需要探索巨大状态空间的问题。
暂不适合的问题
数据规模较小、经典启发式已稳定高效、或缺少可量化目标指标的问题，优先使用经典方案。
你可以怎么开始
提交自然语言问题后，我们会给出候选方法、现有方法参考、验证建议和适用边界。
⚛️
QAOA
量子近似优化算法
全称：Quantum Approximate Optimization Algorithm
适用：组合优化、调度、路由
特点：适合把复杂选择问题转成可迭代优化的形式
案例：生产调度、VRP、投资组合优化
性能：适合进入小规模验证
⚛️
量子退火
Quantum Annealing
适用：大规模QUBO/Ising问题
特点：适合在大量候选组合中寻找更优方案
案例：库存优化、设施选址、生产调度
硬件：通常需要专用量子退火环境
⚛️
VQE
变分量子本征求解器
全称：Variational Quantum Eigensolver
适用：分子模拟、化学计算
特点：噪声容忍，NISQ友好
案例：药物发现、材料设计
性能：适合早期研发筛选
⚛️
QML
量子机器学习
适用：预测、分类、异常检测
特点：高维数据表征优势
案例：故障预测、反欺诈、需求预测
性能：适合与现有模型做小样本比较
算法对比
| 算法 | 复杂度 | 适用问题 | 硬件要求 |
|---|---|---|---|
| QAOA | 中等 | 组合优化 | 需评估 |
| 量子退火 | 中高 | QUBO | 需评估 |
| VQE | 中等 | 分子模拟 | 需评估 |
| QML | 中等 | 机器学习 | 需评估 |
验证思路
从问题到建议的判断路径
我们会先理解问题和目标，再比较现有方法与候选量子方法，用小规模验证帮助团队判断是否继续投入。
01步骤 1
描述问题与指标
用自然语言描述业务问题、约束和目标指标。
02步骤 2
现有方法参考
梳理当前方法和可比较的判断标准。
03步骤 3
候选量子方法
选择可能相关的量子方法，并说明适用前提。
04步骤 4
小规模验证
先用可控样例验证方向，观察结果是否值得继续投入。
05步骤 5
调整验证思路
根据初步结果调整模型、约束和比较方式。
06步骤 6
形成建议
输出适用性判断、风险边界和下一步建议。
判断方式
问题 + 约束 + 指标
验证方式
小规模样例
输出内容
报告建议