PQCs（Parameterised Quantum Circuits，参数化量子电路）是量子机器学习的核心构件：通过在量子门中嵌入可训练参数，让量子电路像神经网络一样被梯度优化，被视为在近期含噪声中等规模量子设备上落地量子优势的主要路径之一。当前围绕 PQCs 的研究大致分三类：电路结构自动化设计、训练过程中的可训练性问题，以及泛化能力的理论刻画。
PQCs 近期进展
当前焦点与观察点
围绕 PQCs 的争议集中在"表达力与可训练性的权衡"：表达能力强的深电路往往容易陷入贫瘠高原，导致梯度消失、训练失败。近期的理论工作试图通过李代数、纠缠度量等工具量化这一矛盾，而优化方法（如自适应梯度）则从实践端缓解训练难度。
另一个观察点是自动化的兴起。进化搜索等神经架构搜索式的思路被移植到量子电路设计中，可能降低 PQCs 对人工经验的依赖。应用侧则从标准分类基准（如图像分类）扩展到半导体器件建模等垂直场景，其泛化与跨工艺迁移能力值得关注。整体来看，PQCs 距离实际量子优势仍需硬件进步配合，但理论、优化与架构搜索三线的收敛正在让研究路径更清晰。