混合量子-经典算法是一种计算方法，旨在结合量子和经典计算资源，以比单独使用任一资源更有效地解决问题。这些算法将特定子任务委托给量子处理器——例如模拟量子系统或从概率分布中采样——同时使用经典计算机处理优化、纠错或数据预/后处理。目标是利用这两种系统的优势：量子设备处理指数级复杂的态空间，经典系统则提供稳健的控制逻辑和数值精度。这种方法在当前尤其实用，因为早期量子硬件（通常称为 NISQ 设备）在规模和容错能力方面仍然有限。
一个常见的例子是变分量子本征求解器（VQE），用于在量子化学中找到分子的基态能量。在这里，量子电路准备一个试验波函数并测量其能量，而经典优化器调整电路参数以最小化该能量。另一个例子是量子近似优化算法（QAOA），它解决组合优化问题，如投资组合平衡。量子部分通过参数化旋转生成候选解，经典系统则迭代地优化参数以改进结果。这些算法遵循一个迭代循环：量子设备生成数据，经典系统分析数据，然后两者根据反馈调整各自的行为。
对于开发者而言，实现混合算法通常涉及 Qiskit、Cirq 或 Pennylane 等框架，它们提供了定义量子电路、集成经典优化库（如 SciPy）以及管理硬件/云交互的工具。例如，开发者可以使用 PyTorch 来调整 QAOA 电路的角度，或采用经典的纠错技术来改进量子计算结果。虽然并不总是需要深厚的量子专业知识，但理解像量子比特纠缠或参数化门这样的基础知识有助于设计高效的工作流程。混合算法代表了通向量子优势的实用桥梁，允许开发者在尝试量子逻辑的同时，依靠经典系统来弥补当前硬件的局限性。