读出策略

计算流体力学要的往往是整个流场（每个格点的速度/压力），而量子算法交付的是 $n$ 比特态 $|\psi ⟩={\sum }_j{\psi }_j|j⟩$——一次投影测量只吐出一个基态标号。读出因此是量子 CFD 最隐蔽的指数墙（总论见 io-problem 词条）：测量全部振幅需指数次重复，HHL 原论文自己就把算法定位为”估计解的性质而非解本身”（Harrow–Hassidim–Lloyd, PRL 103, 150502 (2009)）。工程出路有三条——只读关心的量（QoI 估计）、只读结构的量（低秩/树状读出）、把统计成本算清楚（幅值估计 vs 采样）——加上一个绕道：把多个时间步装进一个态一次读出（时空编码，浙大 8 比特超导实验）。

问题回顾：全场重构的指数账

幅度编码把 $2^n$ 个格点值装进 $n$ 比特，读出就是逆操作：要重构含复振幅的一般态，量子态层析（quantum state tomography, QST）需在 $\{X,Y,Z\}$ 基下收集 $O(3^n)$ 组期望值再做最大似然重构；Song 等实测的测量设置数从 2 比特的 3 组涨到 6 比特的 939 组Song et al. 2024 (arXiv)。更基本的信息论账：把幅度按精度 $ϵ$ 全部读出，朴素采样的执行次数下界由 Chernoff–Hoeffding 型集中不等式给出Kösel et al. 2026 (arXiv)：

$$N\ge \frac{1}{2{ϵ}^2}\ln \frac{2(2^n-1)}{\delta },$$

要相对精度就得 $ϵ\to ϵ/2^n$——指数回来（实测参考分布下约按 $\tilde{n}\ln \tilde{n}$、$\tilde{n}=2^n$ 增长）。所以”读全场”在量子 CFD 里基本被放弃，策略都围绕”少读、巧读”展开。

出路一：QoI/泛函估计——只读工程要的量

CFD 工程交付的常常不是流场而是标量泛函：阻力、升力、通量、热流。这些是 $|\psi ⟩$ 上的线性泛函 $⟨v|\psi ⟩$，可用 Hadamard test 直接估计而无需重构全场——HHL 的原始定位正是如此Harrow et al. 2009 (PRL)（复杂度分析见hhl）。Penuel 等的阻力计算给出最完整的流水线：把阻力系数编成振幅内积 $(1+\mathrm{Re}⟨v|f⟩/2)$，用量子幅值估计（quantum amplitude estimation, QAE）提取，再对振幅估计电路做 Grover 迭代放大精度Penuel et al. 2024 (arXiv)。这一”内积-幅值估计”结构是所有 QoI 读出的模板（QAE 细节见quantum-amplitude-estimation）；代价是阻力泛函的参考态 $|v⟩$ 本身也要能高效制备——否则读出问题只是被搬运到了态制备（见state-preparation）。

出路二：HTree 与低秩读出——利用解的结构

HTree（Hadamard 树）读出面向实值问题：CFD 离散系统的解常可取实振幅 ${\psi }_j\in \mathbb{R}$（对称化后的实矩阵特征向量），此时 $|{\psi }_j|$ 可直接从测量分布 $|{\psi }_j{|}^2$ 采样，而相对符号由逐比特 Hadamard 门确定——对第 $(N-k)$ 比特作用 Hadamard 后的测量统计给出 ${\psi }_j$ 与 ${\psi }_{j+2^k}$ 的符号关系，$N$ 比特态只需 $O(N)$ 组设置（对比 QST 的 $O(3^N)$：实测 6 比特 17 组 vs 939 组）Song et al. 2024 (arXiv)。Song 等把 HTree 首次用于物理问题（压力泊松解的读出），真机保真度 95–99%。

图:在 Fake Kolkata 噪声模型上训练得到的态 ρ_noisy 用 HTree 方法读出的层析结果——实值态的振幅符号由逐比特 Hadamard 门恢复,测量设置数随比特数线性增长(来源:QC038)

时空编码读出（QC091）从编码端消灭重复测量：把时间步均匀叠加进 $n_t$ 个时间比特（$|{\Psi }^0⟩\otimes \frac{1}{\sqrt{N_t}}{\sum }_i|i⟩$），用受控演化模块 $F_k$（演化 $2^{k-1}$ 步）做树状分支，末态是所有时间步的叠加 $\frac{1}{\sqrt{N_t}}{\sum }_i|{\Psi }^i⟩|i⟩$——单次执行后测时间寄存器即可抽任一时间步，免去逐步测量+重初始化的开销；浙大 8 比特超导实验用它再现涡对蛙跳（见nisq-experiments）Wang et al. 2025 (arXiv)。npj QI 的量子 LBM 同理”仅在末端测量”Wang et al. 2025 (npj QI)。与 HTree 的互补关系：HTree 压缩的是空间维度的读出设置数，时空编码压缩的是时间维度的重复执行数。

图:量子涡方法的时空演化线路——n_p 个空间比特承载涡旋态,n_t 个时间比特经 Hadamard 门进入均匀叠加,受控 F_k 模块按 2^(k-1) 步演化分支,单次执行把全部时间步装进一个态(来源:QC091)

出路三：幅值估计的统计成本核算

QoI 估计的精度-成本账是读出策略的定量核心。经典蒙特卡洛采样估计概率 $p$ 到加性误差 $ϵ$ 需 $O(1/{ϵ}^2)$ 次采样（中心极限定理）；QAE 用幅值放大 + 相位估计达到 $O(1/ϵ)$——Heisenberg 极限，这是 HHL/QPE 体系对统计量的二次加速（见quantum-amplitude-estimation、quantum-phase-estimation）。但两个附带条件常被忽略：其一，QAE 线路含受控 Grover 迭代，深度 $\propto 1/ϵ$——精度每进一位，线路深十倍，NISQ 设备上不可行（这也是 Ali–Kabel 观察到”泛函估计近期不现实”的根源Ali & Kabel 2023 (PR Applied)）；其二，加性误差 $ϵ$ 是对单个泛函的——要读 $M$ 个量，预算按 $M$ 线性叠。Ali–Kabel 还给出真机必备的换算曲线：对纯态，迹距离 $D=\sqrt{1-F}$（$F=|⟨\psi |\varphi ⟩{|}^2$），保真度 10.89% 对应迹距离 0.944；要迹误差 $\le 10^{-1}$，保真度须 $\ge 99\%$——把”保真度 99% 看起来不错”的直觉直接换成工程语言Ali & Kabel 2023 (PR Applied)。

图:迹距离 D=√(1−F) 随保真度 F 的换算曲线——F=10.89% 对应 D=0.944;要 D≤0.1 须 F≥99%,NISQ 演示的保真度数字离工程精度还有多个数量级(来源:QC082)

多时间步的读出累积误差

时间推进类问题把读出问题乘上时间步数：每个物理时间步都要读出场量（喂给下一步的非线性计算），每步的读出误差 ${ϵ}_{\mathrm{ro}}$ 与态制备误差一起累积。Song 等的定量结论最直接：方腔流收敛要求每步 $1-F\le 10^{-7}$，而真机 HTree 读出只能做到 95–99%（$1-F\sim 10^{-2}$–$10^{-1}$），数百步累积后残差停在 $10^{-1}$——显式时间推进在 NISQ 上不可行的机理正是读出累积，而非单步能力Song et al. 2024 (arXiv)。这解释了两条设计趋势：时空编码把多步读出合并成单次读出（QC091）；系综/末端测量把读出推迟到演化终点（npj QI）——都在把读出次数从 $O(\text{steps})$ 压向 $O(1)$。

最后提一句经典阴影（classical shadows）：对由少数泡利字符串张成的观测量集合，随机基测量能以 $\log$ 因子而非指数开销预测大量期望值Tennie et al. 2025 (Nat. Rev. Phys.)——它是”少读、巧读”思想的最新通用工具，在 CFD 观测量（局域通量、低阶矩）上有天然适配面。

延伸阅读

• io-problem
• quantum-amplitude-estimation
• vqls
• error-mitigation
• quantum-navier-stokes
• resource-estimation