从经典计算到量子计算：范式与直觉

现代计算的成功，很大程度来自一个朴素假设：信息可以被稳定存储为 0/1，比特之间通过可控的逻辑门组合出任意复杂的算法。这个假设在过去几十年里几乎无往不利——直到我们把目光投向某些“看似简单、但规模一大就完全算不动”的问题：例如精确模拟分子电子结构、在巨大搜索空间中寻找满足特定结构约束的解、或在高维概率分布上进行采样推断。量子计算并不是“更快的电脑”，而是另一套信息表示与演化规则：它在特定问题上能把“必须显式枚举的结构”，改为“通过物理演化自然生成并可被干涉放大”的结构。

章节导读

本章目标是建立全书的共同语言与直觉：

• 为什么需要量子计算：它瞄准的不是所有计算，而是少数关键类型的计算瓶颈。
• 量子比特与经典比特的差异：叠加、干涉与测量导致的信息获取方式根本不同。
• 三种实现模型概览：门模型、量子退火/模拟、测量基计算；本书聚焦门模型。
• 一条“能动手”的学习路线：Python + Jupyter + Qiskit/Cirq，从第一个“创建—测量”电路开始。
• 可复现实验：用模拟器制备单量子比特叠加态，多次测量观察统计规律，理解 Born 规则。

> 侧边栏（电子版）：如果你更偏好可视化学习，建议同步打开一个 Bloch 球交互页面，把抽象的振幅与相位变成可旋转的几何图像。可用链接： > - Bloch 球交互：`https://bloch-sphere.com/` > - Qiskit Textbook（含大量交互与练习）：`https://qiskit.org/learn/` > - IBM Quantum Composer（拖拽式电路）：`https://quantum.ibm.com/`

1. 为什么需要量子计算：它擅长什么，不擅长什么

1.1 “算不动”的根源：规模与结构

很多问题的小规模版本都能跑，但规模一上去就崩溃，常见原因是状态空间呈指数增长。经典计算机当然也能处理指数结构，但通常需要显式表示或采样——这会迅速耗尽时间或内存。

量子计算的关键并不是“并行试所有答案”，而是：

1. 用量子态表示某种结构化的概率幅分布（振幅是复数，不是概率本身）。 2. 用可逆演化（幺正变换）在这些振幅上做计算。 3. 通过干涉让正确答案的振幅增强、错误答案相互抵消。 4. 最后测量得到一个经典结果（这一步会“塌缩”，信息不可逆丢失）。

这套机制决定了量子算法往往更像“设计一段精巧的波动干涉过程”，而不是传统意义的流程控制。

1.2 量子计算的典型优势场景（直觉版）

本书后续会分别深入这些方向，但先建立直觉：

• **量子系统模拟（强相关、多体）**：自然界本身就是“量子计算机”。用经典计算机精确模拟量子态常常需要指数资源；量子计算机在门模型下可以更“贴近物理”地演化哈密顿量（后续会谈 Trotter、变分算法、相位估计等）。
• **某些代数结构明显的问题**：著名如 Shor 算法（因式分解/离散对数）利用周期结构与量子傅里叶变换（QFT）实现加速。
• **某些搜索/放大类任务**：Grover 算法把无结构搜索从 $O(N)$ 降到 $O(\sqrt{N})$，它体现的是“幅度放大”的通用技巧。

1.3 量子计算不擅长什么（以及常见误解）

初学者最容易踩的坑是把量子计算当作“万能加速器”。需要明确几条边界：

• **测量只给你一个经典样本**：$n$ 个量子比特的态向量有 $2^n$ 个复振幅，但你测量一次只得到一个 $n$ 比特串。你不能免费读出全部振幅。
• **并非所有 NP 难问题都能被量子轻易解决**：目前主流观点认为量子计算的可解问题类常写作 BQP（有界误差量子多项式时间），它包含一些经典难题，但不等于“解决一切指数难题”。量子算法是否能系统性解决 NP-Complete 仍无定论，且普遍不乐观。
• **工程限制极强**：噪声、退相干、门错误率、测量错误、连通性限制都会显著改变“理论速度”在现实中的兑现方式。实际可用的优势常常需要纠错或非常精细的误差缓解。

> 脚注：术语“量子优势（quantum advantage）”通常指在某个实际任务上量子系统相对经典实现出现可验证的整体优势；“量子霸权（quantum supremacy）”更强调“首次在某任务上超越所有已知经典方法”的里程碑语气，近年更倾向使用前者以减少争议与误解。[^qa]

[^qa]: 在学术与产业语境中，“advantage”更强调可用性与任务相关性，“supremacy”带有更强的历史宣告意味，因此不同机构在公开传播上会有偏好差异。

2. 从经典比特到量子比特：差异不在“0 和 1”，而在“如何计算”

2.1 经典比特：确定的状态与不可逆门

经典比特在任一时刻处于 $\{0,1\}$ 之一。经典逻辑门（AND/OR/NAND 等）通常是不可逆的：例如 AND 门输入有 4 种组合，但输出只有 2 种，信息被丢弃。经典计算能这么做，是因为底层物理（在工程层面）允许耗散与不可逆操作，用能量换取稳定性与纠错便利。

2.2 量子比特：振幅、叠加与相位

单个量子比特（qubit）的纯态可写为：

$$|\psi\rangle = \alpha |0\rangle + \beta |1\rangle,$$

其中 $\alpha,\beta \in \mathbb{C}$，并满足归一化条件：

$$|\alpha|^2 + |\beta|^2 = 1.$$

这里最重要的变化有两点：

1. 概率来自振幅的模平方（Born 规则）：测量得到 0 的概率是 $|\alpha|^2$，得到 1 的概率是 $|\beta|^2$。 2. 相位（复数的角度）会影响干涉：两个路径的振幅可能相加增强，也可能相消抵消。经典概率不会相消，但量子振幅可以。

2.3 测量：信息获取的“不可逆瓶颈”

对初学者而言，理解测量是理解量子计算的关键。你可以把量子演化分成两类操作：

• **演化（可逆）**：量子门对态做幺正变换 $U$，$|\psi'\rangle = U|\psi\rangle$。幺正意味着可逆，信息不丢。
• **测量（不可逆）**：把量子态映射为经典结果，并破坏原态（对一般态而言）。测量不是“读取寄存器”，更像“用仪器强迫系统给出一个经典答案”。

这解释了为什么量子算法常被设计为：大量可逆门 → 最后一次（或少量）测量；而不是边算边读。

2.4 干涉：为什么量子算法不是“并行试答案”

如果你把 $n$ 个量子比特制备成均匀叠加态，看似“同时包含所有 $2^n$ 个比特串”。但你不能直接读出“所有答案”。量子算法真正利用的是：对不同计算路径施加结构化相位，再通过干涉把某些结果的振幅放大。Grover、QFT、相位估计都属于这一路径的不同变体。

> 侧边栏（电子版）：用 Bloch 球理解单比特很有效： > - $|0\rangle$ 和 $|1\rangle$ 是北极与南极； > - Hadamard 门把 $|0\rangle$ 旋到赤道上的 $|+\rangle = (|0\rangle+|1\rangle)/\sqrt{2}$； > - 相位门会绕 Z 轴旋转，概率不变但干涉行为会变。

3. 三种量子计算模型概览：为什么本书聚焦门模型

量子计算并不只有一种“机器形态”。从学习路线角度，先区分三类模型，有助于你理解工具与术语。

3.1 门模型（Gate Model）：本书主线

• **核心对象**：量子线路（circuit）= 一串量子门 + 测量。
• **数学语言**：线性代数、幺正矩阵、张量积。
• **优势**：抽象层清晰，和算法/复杂性理论衔接紧密；主流软件栈（Qiskit、Cirq、Braket 等）都围绕它构建。
• **现实对应**：超导量子比特、离子阱等平台多以门操作为主（尽管底层实现各异）。

本书将以门模型为主，因为它最适合“从概念到可编程实践”的路径：你能在本地模拟器上复现电路行为，也能迁移到真实硬件或云端执行。

3.2 量子退火/模拟（Annealing/Analog Simulation）

• **核心对象**：把优化问题映射为能量函数（Ising/QUBO），系统趋向低能态。
• **优势**：对某些组合优化与采样任务有工程吸引力；控制接口可能更简单。
• **局限**：算法表达能力与可证明性常不如通用门模型；不同设备与问题映射细节影响巨大。

3.3 测量基计算（Measurement-Based, MBQC）

• **核心对象**：先制备高度纠缠的资源态（如 cluster state），再通过序列测量驱动计算。
• **直觉**：把“门操作”转化为“测量选择”，测量本身成为计算引擎。
• **意义**：在纠错与某些体系结构中非常重要，但入门门槛相对更高。

4. 学习路线与工具链：把抽象落到可运行的代码

4.1 推荐路线（与后续章节衔接）

你可以把学习拆成三条并行线，每条都能在本书的 12 章结构中找到位置：

1. 数学语言线：复数、向量、矩阵、内积、张量积、幺正与投影测量（本章与下一章打底）。 2. 电路线：常用单/双比特门、纠缠、测量与经典控制（中前部章节逐步扩展）。 3. 算法线：从幅度放大到 QFT、相位估计、变分算法与误差缓解（中后部深入）。

为了让你始终“能跑起来”，本书会把每个新概念尽量对应到一个最小可复现实验（minimal reproducible experiment）。

4.2 Python 与 Jupyter 环境

建议使用独立虚拟环境，避免依赖冲突：

```bash python -m venv .venv

macOS/Linux

source .venv/bin/activate

Windows PowerShell

.venv\Scripts\Activate.ps1

python -m pip install --upgrade pip python -m pip install jupyter ```

启动 Jupyter：

```bash jupyter lab

或

jupyter notebook ```

4.3 安装 Qiskit 与 Cirq（两条路线二选一或都装）

Qiskit（更偏“电路—编译—后端”的工程链路）：

```bash python -m pip install qiskit qiskit-aer ```

Cirq（更偏“电路—模拟—研究风格”）：

```bash python -m pip install cirq ```

> 实务提示：如果你只想做本章的“单比特叠加与测量统计”，其实只用 `numpy` 也能复现核心现象；但安装 Qiskit/Cirq 能让你尽早熟悉“真实量子编程”的接口与概念（电路、测量、shots、直方图）。

下面用一个流程图把典型工作流固定下来：

```mermaid graph TD A[定义量子线路] --> B[选择后端: 模拟器/真机] B --> C[执行: 多次shots] C --> D[收集测量比特串] D --> E[统计/可视化直方图] E --> F[对照理论概率解释结果] ```

5. 第一个“创建—测量”电路：把叠加态跑出来

5.1 目标实验：制备 $|+\rangle$ 并测量统计

我们要实现的物理/数学目标非常明确：

• 初态：$|0\rangle$
• 施加 Hadamard 门 $H$
• 得到：$|+\rangle = \frac{|0\rangle + |1\rangle}{\sqrt{2}}$
• 测量：理论上 0 与 1 的概率各为 $1/2$
• 重复多次：统计频率趋近 $50\%$ vs $50\%$

这就是你理解“叠加不是同时拥有两种经典值，而是拥有可干涉的振幅”的第一块基石。

5.2 用 Qiskit 实现（推荐做法）

```python from qiskit import QuantumCircuit from qiskit_aer import Aer from qiskit import transpile

shots = 2000

qc = QuantumCircuit(1, 1) qc.h(0) qc.measure(0, 0)

backend = Aer.get_backend("aer_simulator") tqc = transpile(qc, backend) result = backend.run(tqc, shots=shots).result() counts = result.get_counts()

print("counts:", counts) print("p(0)≈", counts.get("0", 0)/shots, "p(1)≈", counts.get("1", 0)/shots) ```

你会看到输出类似（每次略有波动）：

• `counts: {'0': 1006, '1': 994}`

这种波动不是“程序不稳定”，而是测量的统计本性：有限样本下频率会围绕理论概率随机起伏。

如果你愿意再进一步，可以用 Qiskit 的可视化工具（可选）：

```python from qiskit.visualization import plot_histogram plot_histogram(counts) ```

5.3 用 Cirq 实现（对比视角）

```python import cirq

shots = 2000 q = cirq.LineQubit(0)

circuit = cirq.Circuit( cirq.H(q), cirq.measure(q, key="m") )

sim = cirq.Simulator() result = sim.run(circuit, repetitions=shots) m = result.measurements["m"].reshape(-1)

count0 = int((m == 0).sum()) count1 = int((m == 1).sum())

print("counts:", {"0": count0, "1": count1}) print("p(0)≈", count0/shots, "p(1)≈", count1/shots) ```

Qiskit 与 Cirq 的 API 风格不同，但你应当在本章就形成共同心智模型：

• 电路 = 门序列 + 测量
• 运行方式 = 指定 repetitions/shots
• 输出 = 测量比特串的统计（而不是“读出振幅表”）

6. 可复现实验（不依赖量子库）：用 `numpy` 手搓单比特模拟器

为了把概念彻底钉牢，我们用最小数学实现复现同样现象：态向量、Hadamard、测量采样。

6.1 数学准备：态向量与 Hadamard 矩阵

基态向量：

$$|0\rangle=\begin{bmatrix}1\\0\end{bmatrix},\quad |1\rangle=\begin{bmatrix}0\\1\end{bmatrix}$$

Hadamard 门：

$$H=\frac{1}{\sqrt{2}}\begin{bmatrix}1&1\\1&-1\end{bmatrix}$$

作用在 $|0\rangle$ 上：

$$H|0\rangle=\frac{1}{\sqrt{2}}\begin{bmatrix}1\\1\end{bmatrix}$$

因此测量概率为：

$$P(0)=\left|\frac{1}{\sqrt{2}}\right|^2=\frac12,\quad P(1)=\frac12.$$

6.2 代码：制备、测量、统计

```python import numpy as np

rng = np.random.default_rng(0) # 固定随机种子，便于复现 shots = 2000

ket0 = np.array([1.0, 0.0]) H = (1/np.sqrt(2)) * np.array([[1.0, 1.0], [1.0, -1.0]])

psi = H @ ket0 probs = np.abs(psi)**2 # [P(0), P(1)]

samples = rng.choice([0, 1], size=shots, p=probs) count0 = int((samples == 0).sum()) count1 = int((samples == 1).sum())

print("statevector:", psi) print("theory probs:", probs) print("counts:", {"0": count0, "1": count1}) print("freq:", {"0": count0/shots, "1": count1/shots}) ```

你将同时看到两类信息：

• **态向量**（模拟器能看见，但真实硬件一般不能直接给你）
• **测量统计**（真实硬件能给你，但只能通过统计反推概率特征）

理解这一区别，会在你后续学习“为什么量子算法需要巧妙的干涉设计”时持续受益。

6.3 延伸小实验：把 50/50 改掉

只要改一个门，你就能验证“门改变的是振幅，从而改变概率”：

• 把 `H` 换成 `X`（量子 NOT）：

$$X=\begin{bmatrix}0&1\\1&0\end{bmatrix},\quad X|0\rangle=|1\rangle$$

预测：测量几乎总是得到 1。

你可以在 Qiskit/Cirq/numpy 三个版本里各改一次，观察一致性。这是建立“抽象—实现一致”的最有效训练之一。

7. 全书结构预告（12 章路线图）

为了让你知道这章的地基会通向哪里，给出一个学习视角的目录预告（后续章节会逐章展开）：

1. 经典到量子：范式与直觉（本章） 2. 线性代数快速入门：态、门与测量 3. 单量子比特门族：Bloch 球、相位与旋转 4. 多量子比特与纠缠：张量积与 Bell 态 5. 量子线路编程：组合、分解与可视化 6. 量子算法入门：幅度放大与 Grover 7. 量子傅里叶变换：周期、相位与 QFT 8. 相位估计与应用：从本征相位到算法骨架 9. 变分量子算法：VQE/QAOA 的工程直觉 10.